Iványi Antal PÁRHUZAMOS ALGORITMUSOK

Iványi Antal

PÁRHUZAMOS ALGORITMUSOK

ELTE Informatikai Kar Budapest, 2010

Ez az elektronikus tankönyv az ELTE Informatikai Kara támogatásával, a 2010 évi kari jegyzetpályázat keretében készült.

A könyv a szerzői jogról szóló 1999. évi LXXVI. tv. 33. § (4) bekezdésében meghatározott oktatási, illetve kutatási célra használható fel. A teljes könyv (vagy annak egy része) képernyőn megjeleníthető, letölthető, arról elektronikus adathordozón vagy papíralapon másolat készíthető, adatrögzítő rendszerben tárolható. A digitális tartalom üzletszerű felhasználása, módosítása és átdolgozása, illetve az ilyen módon keletkezett származékos anyag további felhasználása csak a szerzővel kötött írásos szerződés alapján történhet. c Iványi Antal, 2010

Lektor: Kása Zoltán Kiadja az ELTE IK 1117 Budapest, Pázmány Péter sétány 1/C. Telefon: 372-2500 Fax: 381-2140 Honlap: http://www.inf.elte.hu/Lapok/kezdolap.aspx Elektronikus cím: [email protected]

Tartalomjegyzék

Előszó . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1. Bevezetés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.1. Alapfogalmak . . . . . . . . . . . . . . . . . . . . . . . .

18

1.2. Hatékonysági mértékek . . . . . . . . . . . . . . . . . . .

20

1.3. Pszeudokód . . . . . . . . . . . . . . . . . . . . . . . . .

27

1.4. Számítási modellek . . . . . . . . . . . . . . . . . . . . .

30

1.4.1. Számítógépek . . . . . . . . . . . . . . . . . . . .

31

1.4.2. Párhuzamos gépek . . . . . . . . . . . . . . . . .

31

1.4.3. Hálózatok . . . . . . . . . . . . . . . . . . . . . .

37

1.5. Rekurzió . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

1.6. Véletlenített algoritmusok (?) . . . . . . . . . . . . . . .

49

1.6.1. Egyenlőtlenségek . . . . . . . . . . . . . . . . . .

50

1.6.2. Példák . . . . . . . . . . . . . . . . . . . . . . . .

51

1.7. Alsó korlátok . . . . . . . . . . . . . . . . . . . . . . . .

54

1.7.1. Egyszerű számolás . . . . . . . . . . . . . . . . .

55

1.7.2. Leszámlálás . . . . . . . . . . . . . . . . . . . . .

57

1.7.3. Döntési fák . . . . . . . . . . . . . . . . . . . . .

58

1.7.4. Tanácsadói érvelés . . . . . . . . . . . . . . . . .

59

1.7.5. Információelméleti érvelés . . . . . . . . . . . . .

60

1.7.6. Gráfelméleti érvelés . . . . . . . . . . . . . . . . .

60

Tartalomjegyzék

5

1.8. Anomália . . . . . . . . . . . . . . . . . . . . . . . . . .

60

1.8.1. Lapcsere . . . . . . . . . . . . . . . . . . . . . . .

61

1.8.2. Ütemezés . . . . . . . . . . . . . . . . . . . . . .

63

1.8.3. Párhuzamos feldolgozás átfedéses memóriával . .

64

1.8.4. Párhuzamos korlátozás és szétválasztás . . . . . .

66

1.8.5. Az anomália elkerülése . . . . . . . . . . . . . . .

68

2. Párhuzamos gépek . . . . . . . . . . . . . . . . . . . . . . . 73 2.1. Alapvető módszerek . . . . . . . . . . . . . . . . . . . . .

73

2.1.1. Prefixszámítás . . . . . . . . . . . . . . . . . . . .

73

Prefixszámítás CREW PRAM modellen . . . . .

75

Prefixszámítás EREW PRAM modellen

. . . . .

76

Prefixszámítás munkaoptimálisan . . . . . . . . .

77

2.1.2. Tömb elemeinek rangsorolása . . . . . . . . . . .

79

Determinisztikus tömbrangsorolás . . . . . . . . .

81

Véletlenített listarangsorolás (?) . . . . . . . . . .

83

2.2. Összefésülés . . . . . . . . . . . . . . . . . . . . . . . . .

87

2.2.1. Logaritmikus idejű algoritmus . . . . . . . . . . .

87

2.2.2. Páros-páratlan összefésülő algoritmus . . . . . . .

88

2.2.3. Munkaoptimális algoritmus . . . . . . . . . . . .

92

2.2.4. Egy O(lg lg m) idejű algoritmus . . . . . . . . . .

94

2.3. Kiválasztás . . . . . . . . . . . . . . . . . . . . . . . . .

96

2.3.1. Kiválasztás n2 processzoron . . . . . . . . . . . .

96

2.3.2. Kiválasztás p processzoron . . . . . . . . . . . . .

97

2.3.3. Kiválasztás egész számok között . . . . . . . . . .

99

2.3.4. Az általános kiválasztási feladat . . . . . . . . . . 101 2.3.5. Munkaoptimális véletlenített algoritmus (?) . . . 102 2.4. Rendezés . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 2.4.1. Páros-páratlan algoritmus . . . . . . . . . . . . . 106 2.4.2. Egy véletlenített algoritmus (?) . . . . . . . . . . 108

6

Tartalomjegyzék 2.4.3. Preparata algoritmusa . . . . . . . . . . . . . . . 108 2.4.4. Reischuk véletlenített algoritmusa (?) . . . . . . . 111 2.5. Gráfalgoritmusok . . . . . . . . . . . . . . . . . . . . . . 113 2.5.1. Minmátrix . . . . . . . . . . . . . . . . . . . . . . 113 2.5.2. Tranzitív lezárt . . . . . . . . . . . . . . . . . . . 115 2.5.3. Összefüggő komponensek . . . . . . . . . . . . . . 115 2.5.4. Minimális feszítőfa . . . . . . . . . . . . . . . . . 116 2.6. Párhuzamos ütemezés . . . . . . . . . . . . . . . . . . . . 116 2.6.1. A feladat megfogalmazása . . . . . . . . . . . . . 118 2.6.2. A feladat értelmezése . . . . . . . . . . . . . . . . 120 2.6.3. Elemzéss . . . . . . . . . . . . . . . . . . . . . . . 121 2.6.4. Előzetes eredmények . . . . . . . . . . . . . . . . 121 2.6.5. Fő eredmény

. . . . . . . . . . . . . . . . . . . . 122

3. Rácsok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 3.1. Számítási modellek . . . . . . . . . . . . . . . . . . . . . 125 3.2. Csomagirányítás . . . . . . . . . . . . . . . . . . . . . . . 127 3.2.1. Csomagirányítás láncon . . . . . . . . . . . . . . 130 3.2.2. Egy mohó algoritmus a PPR megoldására rácson

135

3.2.3. Véletlenített algoritmus (?) . . . . . . . . . . . . 137 3.3. Alapfeladatok . . . . . . . . . . . . . . . . . . . . . . . . 138 3.3.1. Üzenetszórás . . . . . . . . . . . . . . . . . . . . 139 3.3.2. Prefixszámítás . . . . . . . . . . . . . . . . . . . . 140 Prefixszámítás láncon . . . . . . . . . . . . . . . . 140 3.3.3. Adatkoncentráció . . . . . . . . . . . . . . . . . . 142 3.3.4. Ritka rendezés . . . . . . . . . . . . . . . . . . . 143 3.4. Kiválasztás . . . . . . . . . . . . . . . . . . . . . . . . . 144 3.4.1. Véletlenített algoritmus az p = n esetre (?) . . . . 145 3.4.2. Véletlenített algoritmus a p < n esetre (?) . . . . 146 3.4.3. Determinisztikus algoritmus a p < n esetre . . . . 147

Tartalomjegyzék

7

3.5. Összefésülés . . . . . . . . . . . . . . . . . . . . . . . . . 150 3.5.1. Rangon alapuló összefésülés láncon . . . . . . . . 150 3.5.2. Páratlan-páros összefésülés láncon . . . . . . . . . 151 3.5.3. Páratlan-páros összefésülés négyzeten . . . . . . . 151 3.6. Rendezés . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 3.6.1. Rendezés láncon . . . . . . . . . . . . . . . . . . . 153 Rangsoroló rendezés láncon . . . . . . . . . . . . 153 Páratlan-páros felcserélő rendezés láncon . . . . . 154 Páratlan-páros összefésülő rendezés láncon . . . . 154 3.6.2. Rendezés négyzeten . . . . . . . . . . . . . . . . . 155 Schearson rendező algoritmusa . . . . . . . . . . . 155 Páratlan-páros összefésülő rendezés . . . . . . . . 156 3.7. Gráfalgoritmusok . . . . . . . . . . . . . . . . . . . . . . 157 3.7.1. Kocka . . . . . . . . . . . . . . . . . . . . . . . . 157 Minmátrix számítása . . . . . . . . . . . . . . . . 158 Irányított gráf tranzitív lezártja . . . . . . . . . . 158 Összefüggő komponensek meghatározása . . . . . 158 3.7.2. Négyzet . . . . . . . . . . . . . . . . . . . . . . . 158 Tranzitív lezárt . . . . . . . . . . . . . . . . . . . 159 Legrövidebb utak . . . . . . . . . . . . . . . . . . 160 Konvex burok . . . . . . . . . . . . . . . . . . . . 160 4. Hiperkocka . . . . . . . . . . . . . . . . . . . . . . . . . . . 168 4.1. Számítási modellek . . . . . . . . . . . . . . . . . . . . . 168 4.1.1. Hiperkocka . . . . . . . . . . . . . . . . . . . . . 168 4.1.2. Pillangó hálózat . . . . . . . . . . . . . . . . . . . 171 4.1.3. Hálózatok beágyazása . . . . . . . . . . . . . . . 173 Gyűrű beágyazása . . . . . . . . . . . . . . . . . 173 Tórusz beágyazása . . . . . . . . . . . . . . . . . 175 Bináris fa beágyazása . . . . . . . . . . . . . . . . 177

8

Tartalomjegyzék 4.2. Csomagirányítás . . . . . . . . . . . . . . . . . . . . . . . 179 4.2.1. Mohó algoritmus . . . . . . . . . . . . . . . . . . 179 4.2.2. Véletlenített algoritmus . . . . . . . . . . . . . . . 180 4.2.3. Az első fázis elemzése . . . . . . . . . . . . . . . . 182 A sorméret elemzése . . . . . . . . . . . . . . . . 184 4.3. Alapvető algoritmusok . . . . . . . . . . . . . . . . . . . 184 4.3.1. Üzenetszórás fában . . . . . . . . . . . . . . . . . 184 4.3.2. Prefixszámítás fán . . . . . . . . . . . . . . . . . 185 4.3.3. Adatkoncentráció . . . . . . . . . . . . . . . . . . 188 4.3.4. Kisszámú elem rendezése hiperkockán . . . . . . . 189 4.4. Kiválasztás . . . . . . . . . . . . . . . . . . . . . . . . . 191 4.4.1. Véletlenített algoritmus a p = n esetre (∗) . . . . 191 4.4.2. Véletlenített algoritmus a p < n esetre (∗) . . . . 192 4.4.3. Determinisztikus algoritmus a p < n esetre . . . . 192 4.5. Összefésülés . . . . . . . . . . . . . . . . . . . . . . . . . 194 4.5.1. Páratlan-páros összefésülés . . . . . . . . . . . . . 194 4.5.2. Biton összefésülés . . . . . . . . . . . . . . . . . . 195 4.6. Rendezés . . . . . . . . . . . . . . . . . . . . . . . . . . . 196 4.6.1. Páratlan-páros összefésülő rendezés . . . . . . . . 197 4.6.2. Biton rendezés . . . . . . . . . . . . . . . . . . . 197 4.7. Gráfalgoritmusok . . . . . . . . . . . . . . . . . . . . . . 198 4.7.1. Minmátrix meghatározása . . . . . . . . . . . . . 198 4.7.2. Tranzitív lezárt . . . . . . . . . . . . . . . . . . . 199 4.7.3. Összefüggő komponensek . . . . . . . . . . . . . . 200 4.7.4. Legrövidebb utak . . . . . . . . . . . . . . . . . . 200 4.7.5. Konvex burok . . . . . . . . . . . . . . . . . . . . 200

5. Szinkronizált hálózat . . . . . . . . . . . . . . . . . . . . . 203 5.1. Számítási modell . . . . . . . . . . . . . . . . . . . . . . 203 5.2. Vezető választása . . . . . . . . . . . . . . . . . . . . . . 204

Tartalomjegyzék

9

5.2.1. Vezetőválasztás megoldhatatlansága gyűrűben . . 205 5.2.2. Vezetőválasztás gyűrűben . . . . . . . . . . . . . 206 LeLann algoritmusa . . . . . . . . . . . . . . . . . 206 Chang és Roberts algoritmusa . . . . . . . . . . . 209 Hirschberg és Sinclair algoritmusa . . . . . . . . . 211 Idő-szelet algoritmus . . . . . . . . . . . . . . . 212 Alsó korlát az üzenetszámra . . . . . . . . . . . . 213 5.2.3. Vezetőválasztás fában . . . . . . . . . . . . . . . . 213 5.2.4. Vezetőválasztás általános hálózatban . . . . . . . 214 Max-terjed algoritmus . . . . . . . . . . . . . . 214 Opt-max-terjed algoritmus . . . . . . . . . . . 214 5.2.5. Alsó korlát az üzenetek számára . . . . . . . . . . 215 5.3. Megegyezés . . . . . . . . . . . . . . . . . . . . . . . . . 216 5.3.1. Megegyezés vonalhibák esetében . . . . . . . . . . 216 5.3.2. Megegyezés processzorhibák esetében . . . . . . . 217 5.3.3. k-megegyezés . . . . . . . . . . . . . . . . . . . . 217 5.3.4. Közelítő megegyezés . . . . . . . . . . . . . . . . 218 6. Hagyományos és elektronikus irodalom . . . . . . . . . . 227 6.1. Megjegyzések az 1. fejezethez . . . . . . . . . . . . . . . 227 6.2. Megjegyzések a 2. fejezethez . . . . . . . . . . . . . . . . 232 6.3. Megjegyzések a 3. fejezethez . . . . . . . . . . . . . . . . 233 6.4. Megjegyzések a 4. fejezethez . . . . . . . . . . . . . . . . 233 6.5. Megjegyzések az 5. fejezethez . . . . . . . . . . . . . . . 233 Jelölések . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242 Angol szakkifejezések magyarul . . . . . . . . . . . . . . . . 246 Magyar szakkifejezések angolul . . . . . . . . . . . . . . . . . 248 Irodalomjegyzék . . . . . . . . . . . . . . . . . . . . . . . . . . 252 Lelőhelyjegyzék

. . . . . . . . . . . . . . . . . . . . . . . . . . 301

10

Tartalomjegyzék

Tárgymutató . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319 Névmutató . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 328 Megoldások . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335

 Vissza a tartalomhoz

Előszó

Ez az elektronikus tankönyv az ELTE programtervező matematikus szakának I/2B sávjában, valamint az ELTE programtervező informatikus mester szakán, a Modellező szakirány Párhuzamos algoritmusok című tantárgya, valamint az Informatikai Doktori Iskolában a Párhuzamos és osztott algoritmusok elemzése tantárgy keretében tartott előadások anyagát tartalmazza. A könyv hat fejezetből (Bevezetés, Párhuzamos gépek, Rács, Kocka, Szinkronizált hálózat, Hagyományos és elektronikus irodalom) és nyolc további részből (Jelölések, Angol szakkifejezések magyarul, Magyar szakkifejezések angolul, Irodalomjegyzék, Lelőhelyjegyzék, Névmutató, Tárgymutató, Megoldások) áll. A könyvhöz felhasználtam a Párhuzamos algoritmusok címmel 2003ban megjelent könyvem anyagát, melynek a második fejezetét Horváth Zoltán, a harmadikat Szűcs László, a negyediket Pécsy Gábor, a könyv többi részét Kása Zoltán lektorálta, és Fóthi Ákos sokat segített a könyv felépítésének és stílusának kialakításában. Ezt a könyvet Kása Zoltán lektorálta. Köszönöm a könyv lektorainak a sok hasznos észrevételt. Lényeges segítséget jelentett, hogy a lektorok nem csak a saját részüket nézték át. Kollégáim közül köszönöm Balogh Ádám programtervező matematikus

12

Előszó

(ELTE IK), Dózsa Gábor tudományos munkatárs (SZTAKI), Fábián Mária könyvtáros (ELTE IK), Fóthi Ákos egyetemi docens (ELTE IK), Molnárka-Miletics Edit egyetemi adjunktus (Széchenyi István Egyetem), Pethő Attila egyetemi tanár (Debreceni Egyetem IK), Rét Anna üzletágvezető (Műszaki Könyvkiadó), Scharnitzky Viktorné könyvtáros (ELTE TTK), Sima Dezső egyetemi tanár (Óbudai Egyetem IK), Simon Péter egyetemi tanár (ELTE IK) és Szili László egyetemi docens (ELTE IK) javaslatait. A korábbi változatok alapján vizsgázó hallgatók közül pedig Baksa Klára programtervező matematikus (ELTE IK), Balázs Gábor programtervező matematikus (ELTE IK), Bartal Zoltán programtervező matematikus (ELTE IK), Dévai Gergely programtervező matematikus (ELTE IK), Gócza Gergely programtervező informatikus (ELTE IK) Hajdu Tamás programozó matematikus (ELTE IK), Hegyessy Tamás programtervező matematikus (ELTE IK), Hermann Péter programtervező matematikus (ELTE), Kapinya Judit programtervező matematikus (ELTE IK), Kovács Péter programtervező matematikus (ELTE IK), Metykó Beáta programtervező matematikus (ELTE IK) Szalai Róbert programtervező matematikus (ELTE IK) segítettek. A könyv ábráit Locher Kornél rajzolta. A könyv kézirata a HLATEX kiadványszerkesztővel készült, amelyet az elmúlt években fejlesztettünk ki Belényesi Viktorral, Csörnyei Zoltánnal, Domoszlai Lászlóval és Locher Kornéllal. Az irodalomjegyzéket Iványi Anna Barbara tette élővé. A párhuzamos algoritmusok szakirodalma nagyon gyorsan fejlődik. Ezért a könyv http://compalg.inf.elte.hu/ tony/Oktatas/Parhuzamos-algoritmusok című honlapján folyamatosan karbantartjuk a külföldi és hazai hivatkozá-

Előszó

13

sok aktuális listáját (hiperszöveg formájában, így a honlap látogatói kattintással közvetlenül elérhetik az idézett művek szerzőinek honlapját, és olyan elektronikus könyvtárakat, ahonnan az idézett cikkek letölthetők). Ugyanitt a beérkezett észrevételek alapján a könyv szövegében javasolt változtatások listáját is karbantartjuk. Az elektronikus címek aláhúzása azt jelzi (itt az előszóban, az irodalomjegyzékben és a lelőhelyjegyzékben), hogy a könyv honlapján lévő PDF és DVI változatban a címek élnek, a PS változatban pedig kék színnel ki vannak emelve. Kérem a könyv Olvasóit, hogy észrevételeiket és javaslataikat írják meg a [email protected] címre. Különösen köszönöm a témával kapcsolatos új feladatokat. Budapest, 2010. november 14. Iványi Antal


1. Bevezetés

A számítógépes feladatmegoldás természetes és hagyományos világa a soros adatfeldolgozás. A különböző alkalmazási területek nagy teljesítményigényének és környezetünk párhuzamos jellegének hatására azonban rohamosan fejlődik a párhuzamos feldolgozás is. Párhuzamos adatfeldolgozás. Egy feladat párhuzamos megoldása ugyanúgy 3 lépésből áll, mint a soros megoldás. Először meg kell érteni és pontosan meg kell fogalmazni a feladatot – ez a lépés hasonló a soros feldolgozás első lépéséhez. Mivel a soros adatfeldolgozás számára ismert feladatokat oldunk meg, a problémák megértése – az eddigi tapasztalatok szerint – az Olvasók többsége (például harmadéves programtervező és informatika szakos hallgatók) számára nem jelent gondot. A második lépésben választunk egy ismert architektúrát (esetleg tervezünk egy újat) és ahhoz tervezünk egy megoldási algoritmust. Ez vagy új algoritmus, vagy egy soros algoritmus párhuzamosított változata. Könyvünk tárgya a párhuzamos adatfeldolgozásnak ez a része, azaz a párhuzamos algoritmusok tervezése és elemzése. Végül a harmadik lépésben az algoritmust a meglévő programozási módszerek valamelyikével párhuzamos program formájában megvalósítjuk (itt is szóba jön új programozási módszer alkalmazása). Párhuzamos algoritmusok. Ha egy feladatot együttműködő pro-

1. Bevezetés

15

cesszorok segítségével oldunk meg, akkor a számítási idő rendszerint csökken, mivel bizonyos műveletek egyidejűleg elvégezhetők. Ennek a csökkenésnek az ára a nagyobb beruházásigény és az elvégzendő munka mennyiségének növekedése. A párhuzamos algoritmusokat különböző szempontok szerint szokták osztályozni. Az egyik szempont a processzorok működésének időzítése. Eszerint vannak összehangoltan dolgozó, ún. szinkronizált processzorok és egymástól függetlenül dolgozó, ún. aszinkron processzorok. Emellett vannak hibrid megoldások, ahol a processzorok részben összehangoltan dolgoznak. Egy másik osztályozási szempont az együttműködő processzorok közötti információcsere módja, azaz a kommunikációs modell. Ez az információcsere történhet a közös memória segítségével és/vagy üzenetek küldésével és fogadásával. Fontos a rendszer megbízhatóságával kapcsolatos felfogásunk: hibátlan működést tételezünk fel vagy megengedünk bizonyos típusú hibákat (például a processzorok vagy az adatátviteli vonalak meghibásodását). Lényeges az az architektúra, amelyre algoritmusainkat tervezzük. A második fejezetben röviden áttekintjük a párhuzamos számítógépek főbb típusait, az elemzésekhez azonban a számítási modelleknek nevezett absztrakt számítógépeket használjuk. A párhuzamos algoritmusok közül csak a szinkronizált modelleken megvalósíthatókat tárgyaljuk. Eközben feltételezzük, hogy a proceszszorok, adatátviteli vonalak, közös és saját memória – azaz a rendszer minden eleme – megbízhatóan működnek. Előismeretek. A tárgyalt anyag nagy része az informatikai képzés alapvető kurzusait (adatszerkezetek, algoritmusok, analízis, diszkrét ma-

16

1. Bevezetés

tematika, programozás) sikeresen elvégző hallgatók számára érthető. A véletlenített algoritmusok elemzése a binomiális eloszlás néhány tulajdonságán alapul, ezért ezekben az alfejezetekben a valószínűségszámítási ismeretekre is támaszkodunk. Ezeket a részeket a címekben és a tartalomjegyzékben csillaggal (∗) jelöltük. A feladatok egy részének megoldásához hasznosak az operációkutatással, optimalizálással és szimulációval kapcsolatos ismeretek. A fejezetek egymásra épülése. Bár helyenként felhasználunk a könyv korábbi részeiben bemutatott algoritmusokat, a bevezető első fejezet elolvasása után a többi fejezet egymástól függetlenül is érthető. Ha azonban az Olvasót például a konvex burok hiperkockán való meghatározása érdekli, célszerű a párhuzamos gépen és a rácson alkalmazott algoritmusokkal is megismerkedni (a tartalomjegyzék és a tárgymutató segít a visszalapozásban). Tartalom. A könyv hat fejezetből és hét további részből áll. Az első fejezetben (Bevezetés) előkészítjük a további anyagot: megadjuk az alapvető meghatározásokat, ismertetjük a felhasznált számítási modelleket és pszeudokódot, foglalkozunk a rekurzív algoritmusokkal és a rekurzív egyenletekkel, a véletlenített algoritmusokkal, az alsó korlátokkal és az anomáliával. A további négy fejezetben párhuzamos algoritmusokat ismertetünk és elemzünk – az algoritmusok megvalósítására használt számítási modellek (és az azok alapjául szolgáló architektúrák) szerint csoportosítva: a szinkronizált processzorok kapcsolatát párhuzamos közvetlen hozzáférésű gépek (Párhuzamos gép), rácsok (Rács), kockák (Kocka) és tetszőleges gráfok (Szinkron hálózat) segítségével adjuk meg. A hatodik fejezetben (Hagyományos és elektronikus irodalom) a könyv írásához felhasznált és az egyes témák részletesebb megismeréséhez ajánlott – nyomtatott és elektronikus formában, magyar és idegen

1. Bevezetés

17

nyelveken hozzáférhető – dokumentumok tartalmát és lelőhelyi adatait foglaljuk össze. Módszertan. A könyv felépítésével és az alkalmazott tipográfiai eszközökkel igyekeztünk megkönnyíteni az anyag megértését. A szövegben gyakran alkalmaztunk magyarázattal ellátott ábrákat és példákat. Az egyes fejezetek végén gyakorlatok és feladatok vannak. A gyakorlatok a fejezet anyagának jobb megértését segítik elő és az anyag ismeretében rendszerint gyorsan megoldhatók. A feladatok megoldása önálló gondolkodást és esetenként több matematikai ismeretet igényel. Az algoritmusok elemzését nem törtük meg hivatkozásokkal, viszont a hatodik fejezetben témakörönként összefoglaltuk az elsősorban ajánlott szakkönyvek és cikkek adatait, és alternatív megoldásokra is utaltunk. A könyv végén összefoglaltuk az alkalmazott jelöléseket (Jelölések), és megadtuk az angol szakkifejezések (Angol szakkifejezések magyarul) magyar, valamint a magyar szakkifejezések (Magyar szakkifejezések angolul) angol megfelelőjét. A bizonyítások végét , a példák végét ♠ jelzi. A definíciókban az új fogalom nevét kék félkövér dőlt betűkkel

írtuk. A sorszámozott képletek tördelésénél az Olvasók kényelmét szolgáló amerikai stílust követtük (azaz minden relációjel új sorba kerül – az ilyen képletek sorfolytonosan olvasandók). Mivel a vesszőnek gyakran van a szövegben nyelvtani szerepe, a számokban tizedespontot használunk. A gyakorlatok egy részének megoldását megadtuk. Az irodalomjegyzékben együtt adjuk meg a hazai és külföldi forrásokat. Az idegen nyelvű szakirodalomból csak a klasszikus és a viszonylag friss műveket soroljuk fel. A magyar nyelvű anyag összeállítása során – az algoritmusok elemzésével foglalkozó műveket tekintve – teljességre törekedtünk. Az elektronikus formában elérhető dokumentumoknál megadtuk a hálózati címet is. Minden dokumentumnál feltüntettük azok-


18

1. Bevezetés

nak az oldalaknak a sorszámát, amelyekről hivatkozás van az adott dokumentumra. A névmutató a könyvben előforduló neveket tartalmazza – teljességre törekedve. A tárgymutatóban dőlt számok jelzik az egyes fogalmak definiálásának helyét. Az előfordulási helyek felsorolásánál megelégedtünk a lényegesnek tartott helyekre való utalással. A gyakorlatokban, feladatokban, ábrákban előforduló fogalmakat az oldalszám melletti rövidítések (mint gy, fe, áb) jelzik.

1.1. Alapfogalmak A párhuzamos algoritmusok tárgyalása a soros algoritmusokra épül, ezért a szokásos fogalmak mellett a soros algoritmusokkal kapcsolatos definíciókat is megadjuk. Az algoritmusok elemzése – a helyesség bizonyítása mellett – a végrehajtáshoz szükséges erőforrások (ez számítógépen megvalósított algoritmus esetében lehet processzoridő, memóriakapacitás – számítási modellen futó algoritmus esetében pedig memóriarekesz, kommunikációs üzenet, műveleti lépés) mennyiségének meghatározását is jelenti. Gyakran nem tudjuk vagy nem akarjuk az igényelt erőforrás menynyiségét pontosan megadni. Ilyenkor megelégszünk az igény nagyságrendjének jellemzésével. Ennek a jellemzésnek a jól bevált eszközei az Ω, O, Θ, o és ω jelölések. Mivel az igények általában nemnegatívak, ezért az alábbi meghatározásokban mindenütt feltesszük, hogy az f és g függvények a pozitív egészek halmazán vannak értelmezve, az f (n) és g(n) függvényértékek pedig nemnegatív valós számok. Az O jelöléssel aszimptotikus felső, az Ω jelöléssel aszimptotikus alsó

1.1. Alapfogalmak

19

korlátot tudunk adni, míg a Θ jelöléssel pontosan meg tudjuk adni a vizsgált függvény aszimptotikus viselkedését. O(g(n)) (ejtsd: nagy ordó) azon f (n) függvények halmazát jelenti, amelyekhez léteznek olyan pozitív c és pozitív egész n0 állandók, hogy ha n ≥ n0 , akkor f (n) ≤ cg(n) .

(1.1)

Ω(g(n)) (ejtsd: nagy omega) azon f (n) függvények halmazát jelenti, amelyekhez léteznek olyan c pozitív, valamint k és n0 pozitív egész állandók, hogy ha n ≥ n0 , akkorf (n) ≤ c(lgn)k g(n) .

(1.2)

Θ(g(n)) (ejtsd: nagy teta) azon f (n) függvények halmazát jelenti, amelyekhez léteznek olyan pozitív c1 , c2 és pozitív egész n0 állandók, hogy ha n ≥ n0 , akkor c1 g(n) ≤ f (n) ≤ c2 g(n) .

(1.3)

Az elemzésekben arra törekszünk, hogy Θ típusú becsléseket adjunk, amihez azonos argumentumfüggvényt tartalmazó O és Ω típusú becslésekre van szükség. Ha egy becslésben hangsúlyozni akarjuk, hogy a becslés nem éles, akkor hasznos a o és a ω jelölés. o(g(n)) (ejtsd: kis ordó) azon f (n) függvények halmazát jelenti, melyekre teljesül, hogy minden pozitív c állandóhoz megadható egy pozitív egész n0 úgy, hogy ha n ≥ n0 , akkorf (n) ≤ cg(n) .

(1.4)

ω(g(n)) (ejtsd: kis omega) azon f (n) függvények halmazát jelenti, melyekre teljesül, hogy minden pozitív valós c állandóhoz megadható egy pozitív egész n0 úgy, hogy ha n ≥ n0 , akkor f (n) ≥ cg(n) .

(1.5)

 Vissza a tartalomhoz 20

1. Bevezetés Ha f (n) = o(g(n)), akkor lim n→∞

f (n) =0, g(n)

(1.6)

f (n) =∞. g(n)

(1.7)

és ha f (n) = ω(g(n)), akkor lim n→∞

e O(g(n)) (ejtd: logaritmikus nagy ordó) azon f (n) függvények

halmazát jelenti, melyekhez, léteznek olyan c pozitív, valamint n0 és k pozitív egész állandók, hogy ha n ≥ n0 , akkorf (n) ≤ cg(n)(lg n)k .

(1.8)

Az 1.1. ábrán összefoglaltuk a függvények növekedésével kapcsolatban leggyakrabban használt jelöléseket és kifejezéseket. A táblázatban szereplő korlátok tetszőleges erőforrással kapcsolatban használhatók – elemzéseinkben azonban elsősorban lépésszámokra vonatkoznak. A táblázatban a szub kifejezést kisebb, a szuper kifejezést pedig nagyobb értelemben használtuk. Érdemes megemlíteni, hogy szokás a kisebb vagy egyenlő, illetve a nagyobb vagy egyenlő értelmű használat is. A könyvben a szuperpolinomiális kifejezés szinonimájaként fogjuk használni az exponenciális jelzőt. Ezzel az exponenciális futási időt a matematikában szokásosnál tágabban definiáltuk: ha egy algoritmus futási ideje felülről nem korlátozható polinommal, akkor exponenciálisnak nevezzük.

1.2. Hatékonysági mértékek Az algoritmusok elemzése során az igényelt erőforrások mennyiségét abszolút és relatív mennyiségekkel jellemezzük. Ezeknek a mennyiségeknek a célszerű megválasztása attól is függ,

1.2. Hatékonysági mértékek Sorszám 1

21

Növekedési korlát képlettel

Korlát típusa szóval

Θ(1)

konstans

?

2

Θ(lg n)

majdnem konstans

3

o(lg n)

szublogaritmikus

4

Θ(lg n)

logaritmikus

5

Θ(lgΘ(1) n)

polilogaritmikus

6

ω(lg n)

szuperlogaritmikus

7

o(n)

szublineáris

8

Θ(n)

lineáris

9

ω(n)

szuperlineáris

10

Θ(n2 )

négyzetes

11

Θ(n3 )

köbös

12

o(nΘ(1) )

szubpolinomiális

13

Θ(1)

Θ(n

14

ω(nΘ(1) )

)

polinomiális szuperpolinomiális

1.1. ábra. Függvények növekedésének leggyakoribb korlátai.

hogy az algoritmus konkrét gépen vagy absztrakt gépen (számítási modellen) fut. Jelöljük W (n, π, A)-val, illetve W (n, π, P, p)-vel azt az időt (azoknak

a lépéseknek a számát), amely alatt a π problémát az A soros, illetve a P párhuzamos algoritmus – (utóbbi p processzort felhasználva) – n méretű feladatokra legrosszabb esetben megoldja.

Hasonlóképpen jelöljük B(n, π, A)-vel, illetve B(n, π, P, p)-vel azt

az időt (azoknak a lépéseknek a számát), amely alatt a π problémát az A soros, illetve a P párhuzamos algoritmus (utóbbi p processzort

felhasználva) – n méretű feladatokra legjobb esetben megoldja.

Jelöljük N (n, π)-vel, illetve N (n, π, p)-vel azoknak a lépéseknek a

22

1. Bevezetés

számát, amelyekre az n méretű π feladat megoldásához mindenképpen szüksége van bármely soros, illetve bármely párhuzamos algoritmusnak – utóbbinak akkor, ha legfeljebb p processzort vehet igénybe. Tegyük fel, hogy minden n-re adott a π feladat n méretű konkrét előfordulásainak D(n, π) eloszlásfüggvénye. Ekkor legyen E(n, π, A), illetve

E(n, π, P, p) annak az időnek a várható értéke, amennyi alatt a π prob-

lémát n méretű feladatokra megoldja az A soros, illetve a P párhuzamos algoritmus – utóbbi p processzort felhasználva.

A tankönyvekben az elemzések során gyakori az a feltételezés, hogy az azonos méretű bemenetek előfordulási valószínűsége azonos. Ilyenkor átlagos futási időről beszélünk, amit A(n, A)-val, illetve A(n, P, p)-

vel jelölünk.

A W, B, N, E és A jellemzők függnek attól a számítási modelltől is, amelyen az algoritmust megvalósítjuk. Az egyszerűség kedvéért feltesszük, az algoritmus egyúttal a számítási modellt is egyértelműen meghatározza. Amennyiben a szövegkörnyezet alapján egyértelmű, hogy melyik problémáról van szó, akkor a jelölésekből π-t elhagyjuk. Ezek között a jellemzők között érvényesek az N (n) ≤ B(n, A) ≤ E(n, A)

≤ W (n, A)

(1.9) (1.10) (1.11)

egyenlőtlenségek. Hasonlóképpen a párhuzamos algoritmusok jellemző adataira az N (n, p) ≤ B(n, P, p) ≤ E(n, P, p)

≤ W (n, P, p)

(1.12) (1.13) (1.14)

1.2. Hatékonysági mértékek

23

egyenlőtlenségek teljesülnek. Az átlagos futási időre pedig a B(n, A) ≤ A(n, A)

≤ W (n, A),

(1.15) (1.16)

illetve B(n, P, p) ≤ A(n, P, p)

≤ W (n, P, p)

(1.17) (1.18)

áll fenn. Hangsúlyozzuk, hogy ezek a jelölések nem csak futási időre, hanem az algoritmusok más jellemzőire – például memóriaigény, küldött üzenetek száma – is alkalmazhatók. Ezután relatív jellemzőket, úgynevezett hatékonysági mértékeket definiálunk. A gyorsítás (vagy relatív lépésszám) azt mutatja, hányszor kisebb a párhuzamos algoritmus futási ideje a soros algoritmus futási idejénél. A P párhuzamos algoritmusnak az A soros algoritmusra vonatkozó

gyorsítása

g(n, A, P) =

W (n, A) . W (n, P, p)

(1.19)

Ha a gyorsítás egyenesen arányos a felhasznált processzorok számával, akkor lineáris gyorsításról beszélünk. Ha a P párhuzamos és az A

soros algoritmusra

W (n, A) = Θ(p) , W (n, P, p)

(1.20)

akkor P A-ra vonatkozó gyorsítása lineáris.

Ha a P párhuzamos és az A soros algoritmusra W (n, A) = o(p) , W (n, P, p)

akkor P A-ra vonatkozó gyorsítása szublineáris.

(1.21)

24

1. Bevezetés Ha a P párhuzamos és az A soros algoritmusra W (n, A) = ω(p) , W (n, P, p)

(1.22)

akkor P A-ra vonatkozó gyorsítása szuperlineáris.

A párhuzamos algoritmusok esetében fontos jellemző az m(n, P, p)

munka, amit a futási idő és a processzorszám szorzatával definiálunk. Akkor is ez a szokásos definíció, ha a processzorok egy része csak a futási idő egy részében dolgozik: m(n, P, p) = pW (n, P, p) .

(1.23)

Érdemes hangsúlyozni, hogy – különösen az aszinkron algoritmusok esetében – a ténylegesen elvégzett lépések száma lényegesen kevesebb lehet, mint amit a fenti (1.23) képlet szerint kapunk. Egy P párhuzamos algoritmusnak az ugyanazon problémát megoldó

soros algoritmusra vonatkozó h(n, p, P, A) hatékonysága a két algoritmus munkájának hányadosa:

h(n, P, A, p) =

W (n, A) . pW (n, P, p)

(1.24)

Abban a természetes esetben, amikor a párhuzamos algoritmus munkája legalább akkora, mint a soros algoritmusé, a hatékonyság nulla és egy közötti érték – és a viszonylag nagy érték a kedvező. Központi fogalom a párhuzamos algoritmusok elemzésével kapcsolatban a munkahatékonyság és munkaoptimalitás. Ha a P párhuzamos és A soros algoritmusra

e pW (n, P, p) = O(W (n, A)) ,

(1.25)

akkor P A-ra nézve munkahatékony. Ez a meghatározás egyenértékű a

pW (n, P, p) = O(lgk n) W (n, A)

(1.26)

1.2. Hatékonysági mértékek

25

egyenlőség előírásával. Eszerint egy párhuzamos algoritmus csak akkor munkahatékony, ha van olyan k érték, hogy a párhuzamos algoritmus munkája nagyságrendileg nem nagyobb, mint a soros algoritmus munkájának (lgk n)-szerese. Ha a P párhuzamos és A soros algoritmusra pW (n, P, p) = O(W (n, A)) ,

(1.27)

akkor P A-ra nézve munkaoptimális. Ez a meghatározás egyenértékű a

pW (n, P, p) = O(1) W (n, A)

(1.28)

egyenlőség előírásával. Eszerint egy párhuzamos algoritmus csak akkor munkaoptimális, ha munkája nagyságrendileg nem nagyobb, mint a soros algoritmus munkája. Egy párhuzamos algoritmus csak akkor munkahatékony, ha a gyorsítása legalább lineáris. Egy munkahatékony párhuzamos algoritmus hatékonysága Θ(1). Ha egy algoritmus egy feladat megoldásához adott erőforrásból csak O(N (n)) mennyiséget használ fel, akkor az algoritmust az adott erőforrásra, számítási modellre (és processzorszámra) nézve aszimptotikusan optimálisnak nevezzük. Ha egy A (P) algoritmus egy feladat megoldásához adott erőfor-

rásból a bemenet minden lehetséges n ≥ 1 mérete esetében csak az

okvetlenül szükséges N (n, A) – illetve (N (n, p, A)) – mennyiséget használja fel, azaz

W (n, A) = N (n, A) ,

(1.29)

W (n, P, p) = N (n, P, p) ,

(1.30)

illetve

26

1. Bevezetés

akkor az algoritmust az adott erőforrásra (és az adott számítási modellre) nézve abszolút optimálisnak nevezzük és azt mondjuk, hogy a vizsgált feladat időbonyolultsága N (n, A) (N (n, Pp)). Két algoritmus összehasonlításakor a

W (n, A) = Θ(W (n, B))

(1.31)

esetben azt mondjuk, hogy a A és B algoritmus futási idejének növekedési sebessége aszimptotikusan azonos nagyságrendű.

Amikor két algoritmus futási idejét (például a legrosszabb esetben) összehasonlítjuk, akkor gyakran találunk olyan helyeket, melyeknél kisebb méretű bemenetekre az egyik, míg nagyobb méretű bemenetekre a másik algoritmus futási ideje kedvezőbb. A formális definíció a következő: ha a pozitív egész helyeken értelmezett f (n) és g(n) függvényekre, valamint a v ≥ 0 pozitív egész számra teljesül, hogy 1. f (v) = g(v); 2. (f (v − 1) − g(v − 1))(f (v + 1) − g(v + 1)) < 0, akkor a v számot az f (n) és g(n) függvények váltási helyének nevezzük. Például két mátrix szorzatának a definíció alapján történő és a Strassen-algoritmussal történő kiszámítását összehasonlítva (lásd például Cormen, Leiserson, Rivest és Stein többször idézett új könyvét) azt kapjuk, hogy kis mátrixok esetén a hagyományos módszer, míg nagy mátrixok esetén a Strassen-algoritmus az előnyösebb – egy váltási hely van, melynek értéke körülbelül 20. Az idő mellett algoritmusok számos más erőforrást is használnak – például memóriát, üzeneteket. Utóbbira például Wü (n, P, p) módon hivatkozhatunk.

 Vissza a tartalomhoz 1.3. Pszeudokód

27

1.3. Pszeudokód Az algoritmusok formális leírására a következő, a Pascal és a C++ nyelvek elemeiből összeállított pszeudokódot használjuk. 1. Az algoritmus blokkszerkezetét elsősorban a tagolás tükrözi. Ezt a megoldást a programozási nyelvekben is használják – bár a használat szabályai nyelvenként változnak. A pszeudokódot lényegesen egyszerűsíti és áttekinthetőbbé teszi – értelmezése tapasztalataink szerint nem okoz gondot. 2. A változók neve betűvel kezdődik. A változók típusát külön nem deklaráljuk, mert az a környezetből látszik. Egyszerű adattípusok (mint egész, lebegőpontos, karakter, logikai stb.) fognak szerepelni. 3. A változók értékadó utasításokkal kapnak értéket: hváltozónévi ← hkifejezési 4. Két logikai érték van, az igaz és a hamis. Ezek a logikai értékek az és (∧), vagy (∨) és a nem (¬) logikai operátorokkal, valamint a <, ≤, =, ≥ és > relációs operátorokkal állíthatók elő. 5. A többdimenziós tömbök elemei szögletes zárójelek közé tett indexekkel érhetők el, például A[i, j]. Az indexek nullától kezdődnek. A tömb egy részére az indextartomány megadásával hivatkozhatunk: például A[3 . . n]. 6. A következő két ciklusszervező utasítást alkalmazzuk: while és for. A while ciklus alakja a következő:

28

1. Bevezetés while hfeltételi

h1. utasítási h2. utasítási

. . . hu. utasítási Amíg a hfeltételi igaz, az u (u ≥ 1) utasítás végrehajtódik. Amikor

a hfeltételi hamis lesz, kilépünk a ciklusból.

A for ciklus alakja a következő: for hciklusváltozói ← hkezdő értéki to hbefejező értéki do

h1. utasítási

h2. utasítási

. . . hu. utasítási

Ha például a ciklusváltozó i, a kezdőérték k és a befejező érték b, akkor az u utasítás egymás után végrehajtódik az i = k, k + 1, . . . , b értékekre. 7. A feltételes utasítás lehetséges alakjai: if hfeltételi then


vagy

. . . hu. utasítási

1.3. Pszeudokód

29

if hfeltételi then


else

. . . hu. utasítási h1. utasítási h2. utasítási

. . . hv. utasítási 8. A bevitel/kivitel a read és write utasításokkal történik. Pontos formájuk számítási modellenként változó. 9. Egyetlen eljárás van, amely fejből és törzsből áll. A fej hEljárás nevei(hparaméterlistai)

Számítási modell: hszámítási modelli

heljárás típusai

Bemenet: hbemenő adatok leírásai Kimenet: hkimenő adatok leírásai

Az eljárás típusa lehet soros eljárás, soros rekurzív eljárás, párhuza-

mos eljárás és párhuzamos rekurzív eljárás. Az eljárások törzse sorszámozott utasításokból áll. Az utolsó utasítást kivéve az egyes utasítások végét a következő sorszám, a törzs végét a tagolás jelzi. Ezek a számozott utasítások gyakran az algoritmus nagy (több lépésből álló) részét tükrözik. Ilyenkor az elemzésben ezeket a részeket szakasznak vagy fázisnak nevezzük. Más esetekben több számozott lépést


1. Bevezetés

együtt nevezünk az algoritmus szakaszának vagy fázisának. 10. Az eljárások hívásának alakja: hEljárás-neveih(paraméterek listája)i

A soros és a párhuzamos eljárások esetén egyaránt ezt a hívó utasítást

használjuk. 11. A megjegyzések a B jellel kezdődnek és az adott sor végéig tartanak. 12. A párhuzamosságot egy p processzoros PRAM vagy lánc esetében a következőképpen írjuk le: Pi in parallel fori ← 1 do

to p h1. utasítási

h2. utasítási . . . hu. utasítási Egy m1 × m2 × . . . × mk méretű, k dimenziós rács esetében a hasonló

utasítás a

Pi1 ,i2 ,...,ik in parallel for i1 ← 1 to m1 , . . . , ik ← 1 to mk

sorral kezdődik.

1.4. Számítási modellek Az algoritmusokat absztrakt vagy konkrét gépeken hajthatjuk végre. Ebben az alfejezetben először röviden bemutatjuk a párhuzamos számítógépek főbb típusait, azután az absztrakt gépek közül a párhuzamos közvetlen hozzáférésű gépekkel és a hálózatokkal foglalkozunk.

1.4. Számítási modellek

31

1.4.1. Számítógépek Az elmúlt évtizedekben sok különböző párhuzamos számítógépet építettek, és számos próbálkozás történt rendszerezésükre. Flynn 1972-ben az utasításáram és az adatáram alapján 4 csoportot különböztetett meg: • SISD (Simple Instruction Stream – Simple Data Stream); • SIMD (Simple Instruction Stream – Multiple Data Stream); • MISD (Multiple Instruction Strem – Single Data Stream); • MIMD (Multiple Instruction Stream – Multiple Data Stream). Eszerint a SISD a klasszikus soros, Neumann-elvű számítógép. A SIMD típusú számítógépben lépésenként egyféle művelet hajtódik végre, de az egyszerre több adaton. Az ILLIAC-IV számítógép példa erre a típusra. A MISD típusú gépben egy adaton egyszerre többféle művelet hajtódik végre. A csővezeték-elvű számítógépek példák erre a típusra. A legtöbb párhuzamos számítógép a MIMD típushoz tartozik: ebben az esetben több processzor dolgozik párhuzamosan, és rendszerint különböző adatokkal. 1.4.2. Párhuzamos gépek A párhuzamos számítási modellek alapja a soros számításokhoz széles körben használt RAM (Random Access Machine = közvetlen hozzáférésű gép) általánosítása, a PRAM (Parallel Random Access Machine = párhuzamos közvetlen hozzáférésű gép.) A PRAM modell tartalmaz p szinkronizáltan dolgozó processzort (P1 , P2 , . . . , Pp ) és az M [1], M [2], . . . , M [m] rekeszekből álló közös memóriát, ahogy azt az 1.2. ábra mutatja (az ábrán a memóriarekeszeknek csak az indexét tüntettük fel). A modell szerint minden processzor rendelkezik saját me-

32

1. Bevezetés 1 2 3 4 P1

...

P2

m Pp

közös memória processzorok

1.2. ábra. Párhuzamos közvetlen hozzáférésű gép (PRAM).

móriával: a Pi processzor esetében ez az M [i, 1], M [i, 2], . . . , M [i, m] rekeszekből áll. Nem jelent megszorítást, hogy a közös memória és a saját memóriák méretét ugyanúgy jelöltük (szokás ezeket a memóriákat végtelen méretűnek is tekinteni). Feltesszük, hogy a rekeszek tetszőleges egész szám tárolására alkalmasak. A párhuzamos közvetlen hozzáférésű gép helyett rendszerint a rövidebb párhuzamos gép kifejezést fogjuk használni. Típusok írás/olvasás alapján: • EREW (Exclusive Read – Exclusive Write: kizárólagos olvasás – kizárólagos írás)

• ERCW (Exclusive Read – Concurrent Write) • CREW (Concurrent Read – Exclusive Write) • CRCW (Concurrent Read – Concurrent Write) Ugyanabba a memóriarekeszbe egyidejűleg csak írás vagy olvasás van megengedve. Az 1.2. ábra (a) része arra példa, hogy minden rekeszből legfeljebb egy processzor olvas (ER), a (b) részében minden rekeszbe legfeljebb egy processzor ír (EW), a (c) részében több processzor olvas párhuzamosan (CR), végül a (d) részében több processzor ír egyidejűleg ugyanabba a rekeszbe (CW). Ha több processzor írhat egyidejűleg (ERCW vagy CRCW), akkor több eset van: az írás


33

közös memória a

P1

b

c

P2

P3

d

e

a

P4

P5

P1

b

c

P2

P3

d

e

P4

P5

(a)

(b)

közös memória

közös memória

X

P1

közös memória

P2

Y

P3

P4

Y

X

P5

P1

(c)

P2

P3

P4

P5

(d)

1.3. ábra. Számítási modellek típusa az írás és olvasás tulajdonságai alapján.

• közös: a processzorok csak a közös, azonos értéket írhatják; • tetszőleges: nem tudjuk, melyik processzor beírása marad meg a rekeszben, vagy esetleg a beírásoktól független érték;

• prioritásos: a legnagyobb prioritású processzor ír; • kombinált: az egyes processzorok által beírt értékek valamilyen függvénye kerül a memóriarekeszbe.

A következő példákban a párhuzamos olvasást, párhuzamos írást, illetve egy logikai érték párhuzamos kiszámítását mutatjuk be. Először egy 4 processzoros gépben minden processzor a közös M [1] rekeszből olvas. 1.1. példa. 4 processzor párhuzamosan olvas. Párhuzamosan-olvas(M [1]) Számítási modell: CREW PRAM

párhuzamos eljárás

34

1. Bevezetés

Bemenet: A[1] (egy elemű tömb) Kimenet: M [1 . . 4, 1] (processzorok saját memóriái első rekeszeinek közös tartalma) 01 Pi in parallel for i ← 1 to 4 02

do M [i, 1] ← A[1]

Ebben az esetben mind a 4 processzor saját memóriájának első rekeszébe bekerül az M [1] tömbelem. A következő példában egy 16 processzoros gépben minden processzor a közös M [1] rekeszbe ír.

1.2. példa. 16 processzor párhuzamosan ír. Párhuzamosan-ír(M [1])


Számítási modell: közös ERCW PRAM Bemenet: M [1 : 16] (16 elemű tömb) Kimenet: M [1] (tömb egy eleme) 01 Pi in parallel for i ← 1 to 16 02

do A[1] ← M [i, 1]

Ebben az esetben a 16 processzor párhuzamosan beírja az A[1] tömbelembe saját memóriája első rekeszének tartalmát. Legyen az A[1 : 16] tömb A[1], . . . , A[n] elemeiben tárolt n bit logikai összege (diszjunkciója) A[0] = A[1] ∨ A[2] ∨ · · · ∨ A[n].

Ekkor a következő ERCW algoritmus O(1) időben dolgozik.

1.3. példa. Logikai összeg kiszámítása n processzoron. Logikai-összead(p, A, A[0]) Számítási modell: ERCW PRAM Bemenet: p (változók száma) és



35

A[1 . . p] (a változókat tartalmazó tömb) Kimenet: A[0] (a bemenő változók logikai összege) 01 A[0] ← 0

02 Pi in parallel for i ← 1 to p

do if A[i] = 1

03

04

then A[0] ← A[i]

1.1. tétel (logikai összeadás művelet elvégzése). A Logikai-összead algoritmus az n bites ∨ műveletet egy ERCW PRAM-en O(1) lépés alatt elvégzi.

Most a párhuzamos gépek néhány mennyiségi tulajdonságát mutatjuk be. Feltesszük, hogy egy p processzoros gép bármely lépése szimulálható egy soros processzor p lépésével (vannak olyan valódi gépek, amelyekre ez a feltétel nem teljesül). Ebből adódik a következő állítás. 1.2. tétel (Brent tétele). Ha egy feladatot a P párhuzamos algoritmus p

processzoron t lépésben old meg, eközben az i-edik (i = 1, 2, . . . , t) lépésben xi műveletet végez, akkor ez a feladat q < p processzoron megoldható t+

& '

x q

(1.32)

lépésben, ahol x=

t X

xi .

(1.33)

i=1

Ebből a tételből adódik a következő egyszerű állítás. 1.3. következmény (lassulás). Ha a P párhuzamos algoritmus egy p

processzoros gépen t lépést tesz, akkor P minden q < p processzort tartalmazó gépen végrehajtható O( ptq ) lépésben.

36

1. Bevezetés

Bizonyítás. A p processzoros G gépen futó P párhuzamos algoritmus minden lépése szimulálható egy q processzoros H gépen, legfeljebb dp/qe lépést végezve. Ezért a H szimulációs futási ideje legfeljebb tdp/qe, és így H munkája legfeljebb qt

& '

p q

≤ pt + qt

(1.34)

pt ) q

(1.35)

= O( lesz.

A következő 3 állítás az elérhető gyorsítás mértékével kapcsolatos. 1.4. tétel (Amdahl törvénye a maximális gyorsításról). Ha egy π feladat megoldásának nem párhuzamosítható hányada s(π), akkor egy p processzoros PRAM-on elérhető gmax (π, s, p) legnagyobb gyorsítás gmax (π, s, p) =

1 . s + 1−s p

(1.36)

1.5. tétel (Gustafson törvénye a maximális gyorsításról). Ha egy π feladat megoldásának nem párhuzamosítható hányada s, akkor egy p processzoros PRAM-on elérhető gmax (π, s, p) legnagyobb gyorsítás s + p(1 − s) s + (1 − s) = s + p(1 − s) .

gmax (π, s, p) =

(1.37) (1.38)

Amdahl és Gustafson tételének bizonyítását meghagyjuk feladatnak (lásd az 1-2. feladatot). Amdahl szerint s reciproka korlátot szab az elérhető gyorsításnak, míg Gustafson szerint a gyorsítás a processzorszámmal arányosan növelhető.


37

1.6. tétel (van-e p-nél nagyobb gyorsítás). A p processzorszámnál nagyobb gyorsítás nem érhető el. Bizonyítás. Tegyük fel, hogy egy π problémára W (n, A) a legjobb

ismert soros végrehajtási idő. Ha van olyan P párhuzamos algoritmus, melynek gyorsítása p-nél nagyobb, akkor pW (n, P, p) < W (n, A). Mivel

egy p processzoros gép egy lépésének szimulálása az 1 processzoros gépen legfeljebb p lépést igényel, ezért P munkája sorosan szimulálható legfeljebb pW (n, P, p) idő alatt, ami feltételünk szerint kisebb, mint W (n, A).

Ez ellentmond annak, hogy A a π megoldására ismert legjobb soros algoritmus.

1.4.3. Hálózatok A számítási modellek másik típusát a hálózatok adják. Ezekben a processzorok nem a közös memórián keresztül érintkeznek, hanem adatátviteli vonalakon keresztül, amelyek jól szemléltethetők gráfok segítségével. A processzor és a csúcs szavakat szinonimaként használjuk – általában a szövegkörnyezethez jobban illeszkedőt választva. Ez a tény egyúttal ad egy jó szempontot a hálózatok osztályozására: síkba rajzolható és síkba nem rajzolható hálózatokat különböztetünk meg. A gráfelmélet ismert eredménye, hogy minden véges gráf ábrázolható a 3-dimenziós euklideszi térben. Ezt beláthatjuk például úgy, hogy a G = (V, E) véges gráf Vi (i = 1, 2, . . . , |V |) csúcsát az x-y sík (i, 0) pontjába rajzoljuk, majd a síkot az x-tengely körül rendre elfor-

gatjuk 360j/|V | (j = 1, 2, . . . |V | − 1) fokkal. Az így kapott Sj (j =

1, 2, . . . , |V | − 1) síkokban rendre a Vj csúcsot a nála nagyobb indexű csúcsokkal összekötő éleket rajzoljuk meg.

A rövidség kedvéért a síkba rajzolható gráfokat síkgráfoknak, a

38

1. Bevezetés P2 P3

P9 P8

P1 P7

P4 P5

P6

1.4. ábra. 9 processzoros csillag.

síkba nem rajzolható gráfokat pedig térgráfoknak fogjuk nevezni. Ennek megfelelően beszélhetünk síkhálózatról és térhálózatról. A legismertebb hálózatok közül a síkhálózatokhoz tartozik például a csillag, fa, lánc, gyűrű, négyzet, kocka és a henger. A p processzoros csillagban kitüntetett szerepe van a P1 processzornak: ez van minden további processzorral összekötve. Az 1.4. ábra egy 9 processzoros csillagot mutat. Egy d szintes (teljes) bináris fában p = 2d − 1 processzor van:

P1 , P2 , . . . , Pp . Az adatszerkezetekkel kapcsolatos terminológia szerint a P1 processzort gyökérnek, a P(p−1/2 , P(p−1)/2+1 , . . . , Pp processzorokat levélnek, a többi processzort belső processzornak nevezzük. Ha Pi nem levél, akkor össze van kötve a gyerekeinek nevezett P2i és P2i+1 processzorokkal. Ha Pj nem a gyökér, akkor össze van kötve a szülőjének nevezett Pbj/2c processzorral. A negyedik fejezetben lévő

4.8. ábra egy háromszintes bináris fa hálózatot ábrázol. Hasonlóképpen lehetne m-áris fákat és nem teljes fákat is definiálni.

A p processzoros gyűrűs hálózatot a negyedik fejezetben ismertetjük. A 4.4. ábra egy 6 processzoros gyűrűt mutat. A térhálózatok közül megemlítjük a k dimenziós rácsot, tóruszt, piramist, pillangót, permutációs hálózatot, de Bruijn-hálózatot és a hiper-


39

kockát. A k dimenziós (k ≥ 1) rács egy olyan m1 × m2 × · · · × mk (m1 , m2 ,

. . . , mk ≥ 2) méretű háló, amelynek minden egyes metszéspontjában van egy processzor. Az élek a kommunikációs vonalak, melyek kétirányúak. A rács minden processzorát megcímkézzük egy (i1 , i2 , . . . ik ) k-assal – erre a processzorra a Pi1 ,...,ik jelöléssel hivatkozunk. Minden processzor egy RAM, amely rendelkezik saját (helyi) memóriával. A Pi1 ,...,ik processzor saját memóriája az M [i1 , . . . , ik , 1], M [i1 , . . . , qnoindent ik , 2], . . . , M [i1 , . . . , ik , m] rekeszekből áll. Minden processzor végre tud hajtani egyetlen lépésben olyan alapvető műveleteket, mint az összeadás, kivonás, szorzás, összehasonlítás, saját memória elérése és így tovább. A processzorok működése szinkron módon történik, azaz minden processzor egy globális óra ütemére egyszerre hajtja végre az aktuális feladatát. A legegyszerűbb rács a k = 1 értékhez tartozó lánc alakú rács (röviden lánc.) Egy 6 processzoros lánc látható a harmadik fejezetben lévő 3.1. ábrán. Ha egy lánc P1 és Pp processzorát összekötjük, akkor gyűrűt kapunk. Ha k = 2, akkor téglalapot (téglalap alakú rácsot) kapunk. Ha most m1 = m2 = a, akkor a × a méretű négyzetet kapunk. Egy 4 × 4 méretű négyzet látható a harmadik fejezetben lévő 3.2. ábrán. A lánc és a négyzet a síkhálózatokhoz tartoznak. Ha k = 3 és m1 = m2 = m3 , akkor téglát kapunk. Ha ennek a hálózatnak a 3 mérete azonos, akkor kockának nevezzük. A harmadik fejezetben lévő 3.3. ??? ábra egy 2 × 2 × 2 méretű kockát ábrázol. Ez is ábrázolható síkban.

Ha egy rácsot további élekkel kiegészítünk, akkor összetett rácsot kapunk.

40

1. Bevezetés

P1,1

P1,2

P1,3

P1,4

P2,1

P2,2

P2,3

P2,4

P3,1

P3,2

P3,3

P3,4

P4,1

P4,2

P4,3

P4,4

1.5. ábra. 4 × 4 méretű henger.

Ha egy láncban a P1 és Pp processzorokat összekötjük, akkor gyűrűt kapunk, amely már csak két dimenzióban ábrázolható A negyedik fejezetben lévő 4.4. ??? ábra egy 6 processzoros gyűrűt ábrázol. Ha egy téglalapban a sorok első (j = 1) és utolsó (j = m2 ) elemeit összekötjük, akkor az ugyancsak 2-dimenziós hengert kapjuk. Az 1.5. ábra egy 4 × 4 méretű hengert ábrázol.

Az ILLIAC-IV megépült változata olyan 2-dimenziós rácsból szár-

maztatható, amelyben m1 = m2 = 8 és a Pi,j processzor szomszédai rendre a Pi,j−1 , Pi,j+1 Pi+1,j , Pi−1,j , ahol az indexek (mod 8) értendők. Az ILLIAC-IV architektúrájának ábrázolásához már három dimenzióra van szükség. A tórusz például úgy származtatható egy kétdimenziós rácsból, hogy a belső élek mellett az egyes sorok első és utolsó processzorait, valamint az egyes oszlopok első és utolsó oszlopait is összekötjük. A negyedik fejezetben lévő 4.6. ábra egy 5 × 5 méretű tóruszt mutat.

Egy d szintes piramis i-edik (1 ≤ i ≤ d) szintjén 4d−i−1 processzor


41

3. szint

2. szint

1. szint

1.6. ábra. Háromszintes piramis.

van, amelyek az 1.6. ábra szerint vannak összekötve. Eszerint a piramis i-edik szintje egy 2d−i × 2d−i méretű rács. A piramis az egyes szinteken

lévő processzorok számát tekintve hasonló a ternáris fához, azonban a fa azonos szinten lévő processzorai között nincs kapcsolat. A d dimenziós pillangó hálózat (d + 1)2d processzorból áll, amelyek d + 1 – egyenként 2d processzort tartalmazó – sorban vannak elrendezve, ahogy azt a negyedik fejezetben lévő 4.2. ábra mutatja. A (d + 1) × 2d méretű pillangó kifejezést is használni fogjuk.

Természetes architektúra a teljes hálózat, amelyben minden pro-

cesszor pár össze van kötve. Egy teljes hálózatot ábrázol az 1.7. ábra. A (d, k)-paraméterű de Bruijn-hálózat dk processzort tartalmaz, amelyek a d betűs {0, 1, . . . , d − 1} ábécé feletti k hosszúságú szavakkal

címezhetők. Az a1 a2 . . . ak nevű processzorból az a2 a3 . . . ak q című processzorokba vezet irányított él – ahol q az ábécé tetszőleges eleme. Eszerint minden processzorból d él indul, és minden processzorban d él

42

1. Bevezetés P1 P2

P8

P3

P7 P4

P6 P5

1.7. ábra. 8 processzoros teljes hálózat.

P001 P000

P011 P010

P100

P101

P111 P110

1.8. ábra. 2 × 3 paraméterű de Bruijn-hálózat.

végződik. Az 1.8. ábra egy (2,3)-paraméterű de Bruijn-hálózatot mutat. Az ábra alapján ez 2-dimenziós. A d dimenziós permutációs hálózatban a processzorok a d-betűs {0, 1, . . . , d − 1} ábécé elemeinek különböző permutációival címezhetők.

Ezért a hálózatban p = d! processzor van. A Pi processzor pontosan

azokkal a processzorokkal van összekötve, amelyek címkéje előállítható úgy, hogy Pi címkéjében az első betűt a j-edik (2 ≤ j ≤ d) betűvel

cseréljük ki. A 1.9. ábra egy 4 paraméterű permutációs hálózatot ábrázol. Ebben minden processzor fokszáma d − 1 = 3 és a processzorok

száma 4! = 24.

A d dimenziós hiperkockában 2d processzor van, amelyek d hosszúságú bináris sorozatokkal címezhetők. Minden Pi processzor pontosan


43

P1234

P4231

P3214

P2134

P3241

P2431

P2314

P3124

P2341

P3421

P1324

P4321

P3412

P2413

P4312

P1432

P4213

P1423

P1342

P4132

P1243

P4123

P3142

P2143

1.9. ábra. 24 processzoros permutációs hálózat.

azokkal a processzorokkal van összekötve, amelyek címe pontosan egy bitben tér el Pi címétől. A 3-dimenziós hiperkockában a 0,1,0 csúcs szomszédjai az 1,1,0, 0,0,0 és a 0,1,1 című csúcsok. Mivel a 2 × 2 × 2 méretű kocka egyúttal 3-dimenziós hiperkocka is, a negyedik fejezetben

lévő 3.3. ábra egyúttal egy 3-dimenziós hiperkockát is bemutat. Az ugyancsak a negyedik fejezetben lévő 4.1. ábra pedig egy 4-dimenziós hiperkockát mutat. A d dimenziós rácsok, permutációs hálózatok és hiperkockák természetes módon elképzelhetők és ábrázolhatók d dimenzióban. A korábban említett tétel szerint ugyanakkor tetszőlegesen nagy d esetében is ábrázolhatók a 3-dimenziós euklideszi térben úgy, hogy az élek ne

44

1. Bevezetés

metsszék egymást. A hálózatok jellemzésére sokféle adatot használnak. Ha a H hálózatot H = (V, E) formában, a csúcsok és élek halmazával adjuk meg, akkor természetes adat a processzorok száma (|V |) és az adatátviteli

vonalak száma (|E|).

Az adatátviteli vonalak lehetnek egyirányúak és kétirányúak. Az eddigi példák közül csak a de Bruijn-hálózat tartalmazott egyirányú éleket (ezért a hálózatot irányított gráffal ábrázoljuk), míg a többi esetben kétirányú éleket tételeztünk fel. További jellemző a csúcsok maximális, minimális és átlagos fokszáma, a csúcsok maximális, minimális és átlagos távolsága. A csúcsok maximális távolságát a hálózat átmérőjének nevezik. Ha egy H = (V, E) összefüggő hálózat csúcsait X és Y halmazra osztjuk, akkor a hálózat adott felbontáshoz tartozó vágási száma a legkisebb olyan élhalmaz elemszáma, amelynek eltávolításával a hálózat elveszti összefüggőségét. Hálózatok felezési száma azon élek minimális száma, amelyek eltávolításával a hálózat két azonos részre bontható. Ha egy hálózat processzorainak száma páros (p = 2k), akkor a hálózat biztosan felbontható két azonos részre (például két, egyenként k izolált csúcsot tartalmazó hálózatra). Ha p = 2k + 1, akkor a hálózat nem bontható két azonos √ √ √ √ részre. Ha p páros, akkor egy p × p méretű rács vágási száma p.

Az 1.10. táblázat az ismertetett hálózatok néhány alapvető adatát

tartalmazza. A táblázat Paraméter oszlopában p a processzorszámot jelöli. d a fa és a piramis esetében a szintek számát, permutációs hálózat, de Bruijn hálózat és hiperkocka esetében a dimenziót jelöli. Négyzet és kocka esetében az oldalhosszúság a paraméter.

 Vissza a tartalomhoz 1.5. Rekurzió

45

Hálózat

Paraméter

Csúcsszám

Élszám

Átmérő

Lánc

p

p

Gyűrű

p

p

p−1

p−1

Csillag

p

p

2

Fa

d

Négyzet

a=

2d − 1

p−1

Kocka

√

p √ a =3 p

a2 a3

p

b p2 c

2d − 2

2d − 2

3(a − 1)a2

3a − 3

2a(a − 1)

2a − 2

Piramis

d

4d −4 3

Permutációs

d

d!

De Bruijn

d

2d

2

Hiperkocka

d

2d

d2d−1

d

Teljes

p

p

p(p − 1)/2

p−1

2d

d!(d−1) 2 d+1

2d − 2

2d − 2 d

1.10. ábra. Hálózatok mennyiségi jellemzői.

1.5. Rekurzió Az algoritmusok megadásának gyakran alkalmazott módja az, hogy a végrehajtás során – változó paraméterekkel – újra és újra alkalmazzuk magát az algoritmust. Egy algoritmusnak önmaga segítségével való megadását rekurziónak az így megadott algoritmust pedig rekurzív algoritmusnak nevezzük. Példaként oldjunk meg egy népszerű, 1883-ból származó, Hanoi híres tornyairól szóló feladatot, melyben korongok és 3 rúd szerepel. Brahma tornya 64 – közepén lyukas – arany korongból áll, melyet Brahma egy gyémánt rúdra tett. A korongok mérete alulról felfelé csökken. Az 1.11. ábra a kiinduló helyzetet mutatja 5 koronggal, melyek az A rúdon vannak. A B és C rudakon kezdetben nincs korong. A Világ teremtésével egyidejűleg Brahma megbízott szerzeteseket

46

1. Bevezetés A

B

C

1.11. ábra. Hanoi tornyai 3 rúddal és 5 koronggal.

azzal, hogy az egyik rúdon lévő korongokat helyezzék át egy másik rúdra – egy harmadik rúd felhasználásával. A szerzetesek munkájának egy lépése egy korong áthelyezése egyik rúdról egy másik rúdra – azzal a megszorítással, hogy korongot csak üres rúdra vagy nála nagyobb korongra szabad helyezni. A történet szerint amikor a szerzetesek végeznek a munkával, a torony összeomlik és vége a világnak. Mennyi időnk van hátra, ha a szerzetesek a lehető legkevesebb lépésben elvégzik a munkát – és egy lépés egy másodpercig tart. Jelöljük fK (n)-nel az n korong áthelyezéséhez szükséges lépések számát egy K korong-áthelyező algoritmus esetében. Minden K algoritmusra igaz, hogy fK (1) ≥ 1 .

(1.39)

n korongot csak úgy tudunk áthelyezni, hogy előbb a felső n−1 korongot áthelyezzük egy másik rúdra, ezután a legalsó korongot áthelyezzük, és végül az n − 1 kisebb korongot ráhelyezzük a legnagyobb korongra. Eszerint minden K algoritmusra

fK (n) ≥ 2fK (n − 1) + 1 .

(1.40)

Az ehhez hasonló egyenleteket – amelyekben egy függvény adott helyen felvett értékét más helyen vagy helyeken felvett értékei segítségével adjuk meg – rekurzív egyenletnek nevezzük. Tegyük fel, hogy a szerzetesek a következő rekurzív program szerint

1.5. Rekurzió

47

dolgoznak, melyben az Áthelyez(k, végez) eljárás feladata az, hogy a k nevű rúdon lévő legfelső korongot áthelyezze a végez nevű rúdra. Hanoi-tornyai(n,k,segít,végez,lépés)

soros rekurzív eljárás

Számítási modell: speciális Bemenet: n (a korongok száma) Kimenet: lépés (futási idő n korong áthelyezése során) 01 lépés ← 0 02 if n = 1

then Áthelyez(k, végez)

03 04

lépés ← lépés + 1

else Hanoi-tornyai(n − 1, k, végez, segít, lépés)

05

Áthelyez(k, végez)

06 07

lépés ← lépés + 1

Hanoi-tornyai(n − 1, segít, k, végez, lépés)

08

Eszerint a szerzetesek először – fSz (1) lépés alatt – átrakják a legkisebb korongot a B rúdra, majd – fSz (2) = 2fSz (1) + 1 = 3 lépés alatt – átrakják a két legkisebb korongot a C rúdra, majd – fSz (3) = 2fSz (2)+1 lépés alatt – átrakják a három legkisebb korongot a B rúdra és így tovább. Ebből következik, hogy fSz (n) = 2fSz (n − 1).

(1.41)

Mivel a szerzetesek minden részfeladatot a lehető legkevesebb lépésben megoldanak, algoritmusuk optimális. Módszerük futási idejét egyszerűen f (n)-nel jelölve a következő kezdeti feltételt és rekurzív egyenletet kapjuk: f (1) = 1

(1.42)

ha n ≥ 2, akkor f (n) = 2f (n − 1) + 1.

(1.43)

és

48

1. Bevezetés Függvényeknek kezdeti feltétel (vagy feltételek) és rekurzív egyen-

let segítségével történő megadását rekurziónak nevezzük. Eszerint a rekurzió szót kétféle – egymással összefüggő – jelentéssel használjuk. Megjegyezzük, hogy bizonyos esetekben a kezdeti feltételt nem akarjuk vagy tudjuk megadni – ilyenkor a rekurzív egyenlet rendszereint csak a megfelelő függvény nagyságrendjét határozza meg. Teljes indukcióval és a rekurziótétellel (lásd például Halmos könyvét) bebizonyíthatjuk, hogy ennek a rekurzív egyenletnek a megoldása az f (n) = 2n − 1

(1.44)

függvény. Eszerint a világ élettartama 264 − 1 másodperc ≈ 1.8447 × 1019 másodperc

(1.45)

≈ 3.0745 × 1017 perc

(1.46)

≈ 2.1351 × 1014 nap

(1.48)

≈ 5.1242 × 1015 óra ≈ 5.8495 × 1011 év.

(1.47) (1.49)

Tehát a korongok átrakása a szerzeteseknek körülbelül ötszáz milliárd évig tart. Eszerint még akkor is sok időnk lenne hátra a világ végéig, ha a szerzetesek 4,6 milliárd évvel ezelőtt (amikor a geológusok szerint a Föld és a világegyetem az ősrobbanással létrejött) kezdték volna el a korongok átrakását. Ez a példa több szempontból nagyon érdekes. Mutatja, hogy – legalábbis bizonyos esetekben – elemi eszközökkel meg tudjuk határozni a rekurzív algoritmusok futási idejét. Tegyük fel, hogy sok szerzetes dolgozik a korongok átrakásán, és s szerzetes már 1/s másodperc alatt átrak egy korongot, vagy pedig a

 Vissza a tartalomhoz 1.6. Véletlenített algoritmusok (?)

49

lépéseket egyenletesen fel tudják egymás között osztani. Ekkor az algoritmus futási ideje az f (n, s) =

2n − 1 s

(1.50)

értékre csökken. Ezzel elvben tetszőleges kicsire csökkenthető az átrakási idő. De hogyan tud a sok szerzetes hozzáférni a korongokhoz? A kérdés rávilágít arra, hogy egy feladat részfeladatokra bontásának lehetőségeit gyakran korlátozzák a feladat sajátosságai. Ha például megengedjük, hogy a szerzetesek felemeljék a felső n − 1

korongot és a legalsót körcikkekre vágva áthelyezzék, akkor megfelelő számú szerzetes esetében lineáris (vagy akár konstans) futási idejű algoritmust kaphatunk. Ezzel a megközelítéssel a könyvben nem foglalkozunk: a párhuzamos processzorok csak olyan műveleteket végezhetnek, amelyet a soros is végre tud hajtani. Másik kérdés, mit érünk azzal, ha a gyakorlatilag végtelen futási időt például század vagy ezred részére csökkentjük? Ez a kérdés pedig arra világít rá, hogy a sokprocesszoros rendszerek és párhuzamos algoritmusok lehetőségei is korlátozottak. A feladat megoldása azt is mutatja, hogy ha csak a futási időre van szükségünk, az (1.44) képletet levezetve és alkalmazva nagyon gyorsan meg tudjuk mondani.

1.6. Véletlenített algoritmusok (?) A véletlenített algoritmusok bizonyos helyzetekben több döntés közül választanak – ezek valószínűsége pontosan adott. Két típusuk van. A Las Vegas algoritmusokmindig helyes eredményt adnak – futási idejük azonban nem állandó, hanem egy valószínűségi változóval jellemezhető. A Monte Carlo algoritmusok adhatnak hibás eredményt is.

50

1. Bevezetés A Las Vegas algoritmusok futási ideje tág határok között változhat,

míg a Monte Carlo algoritmusoké viszonylag állandó. A véletlenített algoritmusokat tekinthetjük algoritmushalmaznak. Adott bemenet esetében bizonyos algoritmusok futhatnak sokáig vagy adhatnak hibás választ. A tervezés célja, hogy az ilyen rossz algoritmusok algoritmusok hányada kicsi legyen. Ha meg tudjuk mutatni, hogy bármilyen bemenetre az algoritmusoknak legalább 1 − hányada (ahol

a pozitív elég kicsi) gyors (illetve helyes eredményt ad), akkor a halmazból véletlenül választott algoritmusra igaz, hogy legalább 1 − való-

színűséggel gyors (helyes eredményt ad). Ekkor -t hibavalószínűségnek nevezzük. Az alábbi definíciókban a d, v és g függvények a pozitív egészek halmazán vannak értelmezve, a d(n), v(n) és g(n) függvényértékek pedig nemnegatív valós számok. Egy D determinisztikus algoritmusnak adott erőforrásból d(n) egységre van szüksége, míg a V véletlenített algoritmusnak v(n) egységre – ahol v(n) valószínűségi változó. Egy n-től függő esemény nagy valószínűséggel bekövetkezik, ha tetszőleges α értékre a bekövetkezés valószínűsége elég nagy n-re legalább 1 − n−α . Az α számot valószínűségi paraméternek nevezzük.

O(g(n)) (ejtsd: nagy valószínűségű nagy ordó) azon v(n) függvények halmazát jelenti, amelyekhez létezik olyan c pozitív állandó, hogy tetszőleges α esetében teljesül P [v(n) ≤ cαg(n)] ≥ 1 −

1 . nα

(1.51)

1.6.1. Egyenlőtlenségek Ebben a részben olyan egyenlőtlenségeket adunk meg, amelyek azt jellemzik, hogy a valószínűségi változók ritkán térnek el lényegesen a vár-

1.6. Véletlenített algoritmusok (?)

51

ható értéküktől. Ezek az egyenlőtlenségek majd hasznosak lesznek a véletlenített algoritmusok várható viselkedésének elemzése során. 1.7. lemma (Markov-egyenlőtlenség). Ha X nemnegatív valószínűségi változó, melynek várható értéke µ, akkor P [X ≥ x] ≤

µ . x

(1.52)

A Bernoulli-kísérletnek 2 lehetséges eredménye van: p valószínűséggel sikeres, 1 − p valószínűséggel sikertelen a kísérlet. Ha X jelöli azt, hogy n kísérletből hány sikeres, akkor X eloszlása binomiális: P [X = i] =

n i

pi (1 − p)n−i .

(1.53)

1.8. lemma (Csernov-egyenlőtlenségek). Ha X (n, p) paraméterű binomiális eloszlású valószínűségi változó és m > np egész szám, akkor

np P [X ≥ m] ≤ m Továbbá minden 0 < < 1 számra

m

em−np .

(1.54)

2 np/2

P [X ≤ b(1 − )pnc] ≤ e−

(1.55)

és 2 np/3

P [X ≥ d(1 + )npe] ≤ e−

.

(1.56)

1.6.2. Példák Ebben a pontban két példát mutatunk véletlenített algoritmusra. 1.4. példa. Ismétlődő tömbelem meghatározása. Tegyük fel, hogy n páros, az A[1 : n] tömb elemei között az 1, 2, . . . , n/2 + 1 számok egyike (n/2)-ször fordul elő, a többi szám pedig egyszer. Határozzuk meg a többször előforduló elemet.

52

1. Bevezetés Bármely determinisztikus algoritmusnak legrosszabb esetben legalább

n/2+2 lépésre van szüksége. Ugyanis bármely determinisztikus algoritmushoz megadható úgy a bemenet, hogy az első n/2 + 1 vizsgált elem különböző legyen. Most megadunk egy Las Vegas algoritmust, amely legrosszabb esetben O(lg n) ideig fut. Az algoritmus bemenete egy n szám és egy n-elemű A tömb, kimenete az egyik ismételt elem indexe.

Ismételt-elem(A, n)

soros eljárás

Számítási modell: RAM Bemenet: n pozitív egész (az elemek száma) és A[1 : n] (a vizsgálandó elemek) Kimenet: ismételt (az egyik ismételt elem indexe) 01 L ← igaz 02 while L 03 04 05 06 07 08

i ← Véletlen(n)

j ← Véletlen(n)

B i, j ∈ {1, 2, . . . , n}, véletlen egész számok

if i 6= j ∧ (a[i] = a[j]) then ismételt ← i L ← hamis

09 return ismételt

Ebben az algoritmusban felhasználjuk a Véletlen(n) eljárást, amely minden hívásakor a [1 : n] intervallumból vett egyenletes eloszlású, véletlen egész számot ad kimenetként. Most megmutatjuk, hogy az algoritmus futási ideje O(lg n). A while ciklus bármely végrehajtása sikeres, ha i az n/2 azonos elem valamelyikének indexe és j egy tőle különböző helyen lévő azonos elem indexe.

1.6. Véletlenített algoritmusok (?)

53

Ennek az eseménynek a P valószínűsége n n ( 2 2

− 1) , n2

P =

(1.57)

ami n > 10 esetében kisebb, mint 1/5. Tehát annak valószínűsége, hogy az algoritmus egy adott lépésben nem fejeződik be, (1/5)-nél kisebb. Ezért annak valószínűsége, hogy az algoritmus 10 lépés alatt nem fejeződik be, (4/5)10 -nél kisebb, ami kisebb 0.1074-nél. Ezért az algoritmus 10 lépés alatt legalább 0.8926 valószínűséggel befejeződik. Annak valószínűsége, hogy 100 lépés alatt sem fejeződik be, kisebb (4/5)100 -nál, ami pedig kisebb 2.04 ∗ 10−10 -nél.

Általában annak az eseménynek a valószínűsége, hogy az algorit-

mus az első cα lg n (ahol a c konstans rögzített érték) lépésben nem fejeződik be, P [] < és ha c ≥

cα lg n

4 5

1 , akkor lg 54

cα lg n

4 5

(1.58)

,

< n−α .

(1.59)

Tehát az algoritmus legalább 1 − n−α valószínűséggel befejeződik

legfeljebb

α lg n lg 45

(1.60)

lépésben. Mivel minden iteráció O(1) ideig tart, ezért az algoritmus futási ideje valóban O(lg n). Mivel algoritmusunk mindig helyes eredményt ad, ezért Las Vegas típusú. Megmutattuk, hogy nagy valószínűséggel gyorsan befejeződik. Ha például kétmillió elemünk van, akkor bármely D determinisztikus

algoritmushoz megadhatunk olyan bemenetet, amelyre D legalább egymillió lépést végez, Az Ismételt-elem algoritmusnak viszont bármely bemenetre – nagy valószínűséggel – legfeljebb száz lépésre van szüksége.


1. Bevezetés Ugyanakkor az Ismételt-elem algoritmus – igaz, csak kis valószí-

nűséggel – egymilliónál lényegesen több lépést is végezhet. Az adott problémát másképp is megoldhatjuk: először rendezünk, azután lineárisan keresünk – ekkor Ω(n) időre van szükség. Vagy hármas csoportokra osztjuk a tömböt – ekkor Θ(n) a futási idő. 1.5. példa. Pénzérme ismételt feldobása. Dobjunk fel egy szabályos pénzérmét ezerszer. Mekkora annak valószínűsége, hogy legalább hatszázszor fejet dobunk? A Markov-egyenlőtlenség szerint legfeljebb 5/6. Az (1.56) képletet, azaz a harmadik Csernov-egyenlőtlenséget is alkalmazhatjuk az n = 1000, p = 1/2, = 0.2 értékekkel. Eszerint P [X ≥ 600] ≤ e−(0,2)

2 (500/3)

(1.61)

= e−20/3

(1.62)

≤ 0.001273 .

(1.63)

Meghagyjuk gyakorlatnak az ennél pontosabb becslést.

1.7. Alsó korlátok Az algoritmusok elemzése során számos korábbi tankönyv szerzői (a múlt század hetvenes és a nyolcvanas éveiben) megelégedtek azzal, hogy többé-kevésbé pontos felső korlátokat adtak az adott algoritmus által igényelt erőforrások legnagyobb és átlagos mennyiségére. Ezeknek a becsléseknek a pontossága azonban gyakran homályban maradt. Pedig e nélkül megválaszolatlan marad az a fontos kérdés, hogy érdemes-e jobb algoritmust keresni. Különösen fontos az erőforrásigény pontos ismerete a párhuzamos algoritmusok vizsgálata során, hiszen e nélkül nem tudjuk eldönteni, hogy adott párhuzamos algoritmus munkahatékony-e, munkaoptimális-

1.7. Alsó korlátok

55

e. A munkahatékonyság és munkaoptimalitás bizonyításához a párhuzamos algoritmus igényét felülről, a feladat jellegéből fakadó igényt pedig alulról kell becsülnünk. A munkahatékonyság cáfolásához pedig elég egy jó soros algoritmus igényének felülről, a párhuzamos algoritmus igényének pedig alulról való becslése. Ebben az alfejezetben olyan módszereket mutatunk be, melyek segítségével alsó korlátokat bizonyíthatunk. Ez az alfejezet bevezető jellegű. A későbbiekben a számítási modellekhez és problémákhoz kapcsolódva további alsó korlátokat adunk meg. 1.7.1. Egyszerű számolás Tegyük fel, hogy adott egy n méretű L[1 . . n] lista és feladatunk a lista legnagyobb elemének megkeresése úgy, hogy elempárok összehasonlítása a megengedett művelet. Ha A(n)-nel jelöljük az A kereső algoritmus által elvégzett összehasonlítások számát, akkor tetszőleges A összehasonlítás alapú algoritmusra teljesül, hogy A(n) ≥ N (n) n ≥ . 2 Megmutatjuk, hogy ennél több is igaz.

(1.64) (1.65)

Az egyszerűség kedvéért tegyük fel, hogy a lista különböző elemeket tartalmaz. Amikor egy A összehasonlítás alapú algoritmus összehasonlítja az X és Y elemet, akkor az X > Y esetben azt mondjuk, hogy X megnyerte az összehasonlítást – ellenkező esetben pedig azt mondjuk, hogy X elvesztette az összehasonlítást. Tehát minden összehasonlítás egy vereséget eredményez. Mivel mindazon elemeknek, amelyek nem a

56

1. Bevezetés

legnagyobbak, legalább egy összehasonlítást el kell veszíteniük, ezért n elem legnagyobbikának meghatározásához BA (n) ≥ n − 1

(1.66)

összehasonlításra van szükség. Ennek szigorú bizonyításához tegyük fel, A úgy fejezi be a keresést, hogy az L[1 . . n] lista két különböző eleme, például L[i] és L[j], egyetlen összehasonlítást sem veszítettek el. Feltehetjük, hogy A az L[i] elemet adta meg legnagyobbként. Most tekintsük azt az L0 [1 . . n] bemenő listát, amely csak annyiban különbözik az előzőtől, hogy abban L0 [j] nagyobb, mint L[j]. Mivel A összehasonlítás alapú, ezért ugyanolyan összehasonlításokat végez L és L0 esetében. Ez következik abból, hogy különbség legfeljebb akkor fordulhatna elő, amikor L0 [j] is részt vesz az összehasonlításban. L[j] azonban minden összehasonlítást megnyert és L0 [j] > L[j]. Tehát az A algoritmusnak ismét az L0 [i] = L[i] elemet kell a legnagyobbnak nyilvánítania, ami ellentmondás. Például az alábbi közismert program nemcsak legjobb, hanem legroszszabb esetben is n − 1 összehasonlítással meghatározza az L[1 : n] lista maximális elemét.

Max(n, L[1 : n], legnagyobb)

soros eljárás

Számítási modell: RAM Bemenet: n (az elemek száma) és L[1 : n] (n hosszúságú,különböző elemeket tartalmazó lista) Kimenet: legnagyobb (a bemeneti lista egyik maximális eleme) 01 legnagyobb ← L[1]

02 for i ← 2 to n

03 04

if L[i] > legnagyobb then legnagyobb ← L[i]

B kezdeti érték beállítása

1.7. Alsó korlátok 05

57

B legnagyobb frissítése

Tehát beláttuk, hogy Max az összehasonlítás alapú maximumkeresést a feladat megoldásához okvetlenül szükséges számú összehasonlítással megoldja. Azokat az algoritmusokat, amelyekre a legjobb és a legrosszabb futási idő megegyezik, azaz amelyekre W (n) = B(n) ,

(1.67)

stabilnak nevezzük. Megállapításainkat a következőképpen összegezhetjük. 1.9. tétel. (Max abszolút optimális.) Ha különböző elemeket tartalmazó, n hosszúságú lista maximális elemét összehasonlítás alapú algoritmussal határozzuk meg, akkor ennek a problémának az időbonyolultsága legjobb, legrosszabb és átlagos esetben is n − 1. A feladat megoldására Max

abszolút optimális algoritmus.

Érdemes megemlíteni, hogy a pontos bonyolultságot csak nagyon ritkán tudjuk meghatározni. 1.7.2. Leszámlálás A leszámlálási módszereket leggyakrabban az átlagos jellemzők meghatározására használjuk. Minden I bemenethez hozzárendelünk egy α(I) jellemző adatot, majd leszámláljuk, hogy mennyi lesz ezen jellemző adatok összege az összes lehetséges bemenetre nézve. Tekintsük például azt a feladatot, hogy az 1, 2, . . . , n számok különböző permutációit kell rendeznünk úgy, hogy a permutációban szomszédos elemek összehasonlítása (és egyúttal cseréje) a felhasználható művelet. Minden I permutációhoz α(I)-ként hozzárendeljük a benne

58

1. Bevezetés

lévő inverziók számát és leszámláljuk, hogy összesen hány inverzió van a permutációkban. 1.10. tétel. Ha A egy különböző elemekből álló sorozatot a szomszédos elemek összehasonlításával rendező algoritmus, akkor N (n, A) ≥

n(n − 1) . 4

(1.68)

Bizonyítás. Ha n = 1, akkor igaz az állítás. Ha n ≥ 2, akkor rendeljük minden permutációhoz az inverzét, azaz

azt a sorozatot, amelyben az elemek fordított sorrendben következnek. Mivel tetszőleges i és j indexre (1 ≤ i, j ≤ n) igaz, hogy az i-edik és a

j-edik elem az egymáshoz rendelt permutációk közül pontosan az egyikben van inverzióban, ezért minden párra igaz, hogy bennük együttesen n annyi inverzió van, ahány pár (külön-külön), azaz 2 . Ezért n elem permutációiban összesen

n! n (1.69) 2 2 inverzió van. Ha ezt a számot elosztjuk n elem permutációinak számával, megkapjuk a kívánt alsó korlátot.

1.7.3. Döntési fák Egy döntési fa segítségével modellezhetjük az összes döntést, amelyet egy determinisztikus algoritmus végezhet. Egy adott bemenethez tartozó döntések megadnak egy irányított utat a döntési fa gyökerétől valamelyik leveléig, amely megadja az algoritmusnak az adott bemenethez tartozó kimenetét. A döntési fa csak azokat a csúcsokat tartalmazza, amelyekbe legalább egy bemenet esetében eljutunk. A belső csúcsok megfelelnek az algoritmus döntéseinek és az ahhoz tartozó alapműveleteknek (mint például két elem összehasonlítása vagy egy mátrix két

1.7. Alsó korlátok

59

elemének összeszorzása). Mivel minden belső csúcshoz legalább egy elvégzendő művelet tartozik, ezért a fa magassága alsó korlát N (n, A)-ra. Hasonlóképpen a levelek átlagos szintje alsó korlát A(n, A)-ra.

Bizonyítás nélkül idézünk néhány közismert eredményt, amelyek pél-

dául döntési fák segítségével igazolhatók. 1.11. tétel (alsó korlát a bináris keresés futási idejére). Ha

Binári-

san-keres a rendezett sorozatban binárisan kereső algoritmus, akkor minden pozitív n számra N (n, Binárisan-keres) ≥ dlg ne + 1 .

(1.70)

1.12. tétel. (Alsó korlát az összehasonlítás alapú rendező algoritmusok futási idejére.) Ha Összehasonlít összehasonlítás alapú rendező algoritmus, akkor N (n, Összehasonlít) ≥ dlg n!e ≥ n lg n +

(1.71) lg n + O(1) . 2

(1.72)

1.7.4. Tanácsadói érvelés Ennél a módszernél úgy jutunk alsó korláthoz, hogy dinamikusan olyan bemenetet állítunk elő, amely az algoritmust lehetőleg nagyszámú művelet elvégzésére kényszeríti. Ez a módszer olyan játékhoz hasonlít, amelyben egy tanácsadónak feltett kérdésekkel juthatunk információhoz, és a tanácsadó arra törekszik, hogy a válaszaival minél kevesebb információt adjon. A W (n, A) futási idő alsó becsléséhez úgy jutunk, hogy összeszá-

moljuk, hány műveletet kellett az adott bemenetre a vizsgált algoritmusnak elvégeznie.


1. Bevezetés

1.7.5. Információelméleti érvelés Ez a módszer azon alapul, hogy az egy művelettel nyerhető információra felső, a feladat megoldásához szükséges információ mennyiségére pedig alsó korlátot adunk. Ha például egy összehasonlítás lehetséges eredményei true és false, akkor n összehasonlítással legfeljebb 2n lehetőséget tudunk megkülönböztetni. Mivel egy n elemet rendező, összehasonlítás alapú algoritmusnak n! lehetőséget kell megkülönböztetnie, ezzel a módszerrel is bizonyíthatjuk az 1.12. tételt. 1.7.6. Gráfelméleti érvelés Mivel a hálózatokat rendszerint gráfokkal modellezzük, ezért természetes, hogy az alsó korlátok bizonyításában is gyakran szerepelnek gráfok. Erre a későbbiek során több példát is mutatunk.

1.8. Anomália A számítógépes rendszerekben anomáliának nevezzük azt a jelenséget, amikor egy feladat megoldásához több erőforrást felhasználva rosszabb eredményt kapunk. Négy konkrét példát említünk. Az egyik a virtuális memória lapjait párhuzamosan használó FIFO (First In – First Out) lapcserélési algoritmussal, a másik a processzorok ütemezésére használt Listásanütemez algoritmussal, a harmadik az átfedéses memóriájú számítógépekben folyó párhuzamos programvégrehajtással, végül a negyedik a Párh-korlátoz-szétválaszt optimalizációs algoritmussal kapcsolatos.

1.8. Anomália

61

1.8.1. Lapcsere Legyenek m, M, n és p pozitív egészek (1 ≤ m ≤ M ≤ n < ∞), k

nemnegatív egész, A = {a1 , a2 , . . . , an } egy véges ábécé. Ak az A feletti, k hosszúságú, A∗ pedig az A feletti véges szavak halmaza.

Legyen m egy kis, M pedig egy nagy számítógép fizikai memóriájában lévő lapkeretek száma, n a háttérmemóriában lévő lapok száma (mindkét számítógépben), A a lapok halmaza. A lapcserélési algoritmusokat automatákként kezeljük, melyekre m és M a memória mérete, A a bemenő jelek halmaza, Y = A ∪ {} a kimenő jelek halmaza. Ezek az automaták a bemenő jelek R = (r1 , r2 , . . . , rp ) vagy R = (r1 , r2 , . . . ) sorozatát dolgozzák fel. Az St (t = 1, 2, . . . , ) memóriaállapot a t időpontban (azaz az rt bemenő jel feldolgozása után) a memóriában tárolt bemenő jelek halmaza. A lapcserélési algoritmusok S0 = {} üres memóriával kezdik a feldolgozást. Egy konkrét P lapcserélési algoritmust a P = (QP , q0 , gP ) hármassal definiálunk, ahol QP a vezérlő jelek halmaza, q0 ∈ QP a kezdeti vezérlő

jel, gP az állapot-átmenet függvény, S 0 az új memóriaállapot, q 0 az új állapot és y a kimenő jel, S a régi memóriaállapot, q a régi vezérlőállapot és x a bemenő jel. Az F = FIFO (First In First Out) algoritmus definíciója: q0 = () és    (S, q, ),    

gF (S, q, x) = (S ∪ {x}, q 0 , ),

    (S \ {y1 } ∪ {x}, q”, y1 ),

ha x ∈ S, ha x ∈ / S, |S| < m,

(1.73)

ha x ∈ / S és |S| = m,

ahol q = (y1 , y2 , . . . , yk ), q 0 = (y1 , y2 , . . . , yk , x) és q 00 = (y2 , y3 , . . . , ym ,x). A laphibáknak (a memóriaállapot változásainak) a számát fP (R, m)vel jelöljük. Anomáliának nevezzük azt a jelenséget, amikor M > m és fP (R, M ) > fP (R, m). Ekkor az fP (R, M )/fP (R, m) hányados az anomália mértéke.

62

1. Bevezetés A P algoritmus hatékonyságát az EP (R, m) lapozási sebességgel

jellemezzük, amit R = (r1 , r2 , . . . , rp ) véges hivatkozási sorozatra az EP (R, m) =

fP (R, m) , p

(1.74)

R = (r1 , r2 , . . .) végtelen hivatkozási sorozatra pedig a EP (R, m) = lim inf k→∞

fP (Rk , m) k

(1.75)

módon definiálunk, ahol Rk = (r1 , r2 , . . . , rk ). Legyen 1 ≤ m < n és C = (1, 2, . . . , n)∗ egy végtelen ciklikus hi-

vatkozási sorozat. Ekkor EFIFO (C, m) = 1. Ha végrehajtjuk a R = (1,2,3,4,1,2,5,1,2,3,4,5) hivatkozási sorozatot, akkor m = 3 esetében 9, m = 4 esetében pedig 10 laphibát kapunk, így fFIFO (R, M )/fFIFO (R, m) = 10/9. Bélády, Nelson és Shedler a következő szükséges és elégséges feltételt adták az anomália létezésére. 1.13. tétel. Akkor és csak akkor létezik olyan hivatkozási sorozat, amelyre a FIFO lapcserélési algoritmus anomáliát okoz, ha m < M < 2m − 1. Az anomália mértékével kapcsolatban pedig a következőt bizonyították. 1.14. tétel. Ha m < M < 2m − 1, akkor tetszőleges > 0 számhoz létezik olyan R = (r1 , r2 , . . . , rp ) hivatkozási sorozat, amelyre fFIFO (R, M ) >2− . fFIFO (R, m) Bélády, Nelson és Shedler a következőt sejtették.

(1.76)

1.8. Anomália

63

1.15. sejtés. Tetszőleges R hivatkozási sorozatra és M > m ≥ 1 memóriaméretekre

fFIFO (R, M ) ≤ 2. fFIFO (R, m)

(1.77)

Ezt a sejtést cáfolja Fornai Péter és Iványi Antal következő tétele, amely szerint az anomália mértéke tetszőlegesen nagy lehet. 1.16. tétel. Tetszőlegesen nagy L számhoz megadhatók olyan m, M és R paraméterek, melyekre fFIFO (R, M ) >L. fFIFO (R, m)

(1.78)

1.8.2. Ütemezés Tegyük fel, hogy n programot akarunk végrehajtani egy p processzoros láncon. A végrehajtásnak figyelembe kell vennie a programok közötti megelőzési relációt. A processzorok mohók, és a végrehajtás egy adott L lista szerint történik. E. G. Coffman jr. 1976-ban leírta, hogy a p processzorszám csökkenése, az egyes programok végrehajtásához szükséges lépések ti számának csökkenése, a megelőzési korlátozások enyhítése és a lista változtatása külön is anomáliát okozhat. Legyen a programok végrehajtásának futási ideje τ , a megelőzési reláció <, a lista L és a programok közös listás végrehajtásához szükséges lépések száma p azonos processzorból álló láncon ω(p, L, <, τ ). Az L0 lista, <0 ⊆< megelőzési reláció, τ 0 ≤ τ futási idő vektor és p0 ≥ p processzorszám esetén a futási idő legyen ω 0 (p0 , L0 , <0 , τ 0 ).

Az anomália mértékét ezúttal a gyorsítással jellemezzük. 1.17. tétel (ütemezési korlát). Az előbbi feltételek esetében 0≤

p−1 ω0 ≤1+ . ω p0

(1.79)

64

1. Bevezetés A korlát pontosságát jellemzi a következő állítás.

1.18. tétel (ütemezési korlát élessége). A relatív sebességre adott korlát az m, t, < és L paraméterek mindegyikének változására nézve (különkülön is) aszimptotikusan éles. 1.8.3. Párhuzamos feldolgozás átfedéses memóriával Népszerű formában fogalmazzuk meg az átfedéses memóriájú számítógépek működését modellező párhuzamos algoritmust. A T0 , T1 , . . . , Tr törpék n különböző fajtájú gombócot főznek. Ezeket az egyszerűség kedvéért az 1, 2, . . . , n számokkal jelöljük. Mindegyik törpe végtelen gombócsorozatot állít elő. Ezeket a gombócokat Of óriások eszik meg – ahol az f paraméter azt mutatja, hogy az adott óriás az egyes gombócfajtákból legfeljebb hányat ehet meg egy falatban. Az Of óriás a következőképpen eszik. Első falatához a T0 törpe sorozatának elejéről a lehető legtöbb gombócot kiválasztja (de egy-egy fajtából legfeljebb f darabot). Ezt a falatot még a T1 , . . . , Tr törpék sorozatának elejéről kiegészíti – az f korlátot betartva. A további falatokat hasonlóan állítja össze. Legyen hi (f ) (i = 1, 2, . . .) az Of óriás i-edik harapásában lévő gombócok száma. Ekkor az Of óriás Sf gombócevési sebességét az Sf = lim inf t→∞

Pt

i=1

hi (f ) t

(1.80)

határértékkel definiáljuk. Könnyen belátható, hogy ha 1 ≤ f ≤ g, akkor a gombócevési

sebességekre fennáll

f ≤ Sf ≤ f n,

g ≤ Sg ≤ gn ,

(1.81)

1.8. Anomália

65

a két óriás relatív gombócevési sebességére pedig f Sf fn ≤ ≤ . gn Sg g

(1.82)

Most megmutatjuk, hogy a kis óriás gombócevési sebessége akárhányszor nagyobb lehet, mint a nagy óriásé. 1.19. tétel. Ha r ≥ 1, n ≥ 3, g > f ≥ 1, akkor léteznek olyan gombócsorozatok, amelyekre egyrészt

másrészt

Sg g = , Sf fn

(1.83)

gn Sg = . Sf f

(1.84)

Bizonyítás. A természetes korlátokat megadó (1.82) egyenlőtlenségben szereplő alsó korlát élességének belátásához tekintsük az 1f 22f +1 1∗

(1.85)

1f +1 (2 3 . . . n)∗

(1.86)

és sorozatokat. A felső korlát élességét a 1 22f +1 1∗

(1.87)

1f −1 32f 1f (2 3 . . . n)∗

(1.88)

és sorozatok

megevésével” láthatjuk be. ”˛“

Az alsó korlát élessége azt fejezi ki, hogy a kis óriás ehet sokkal kevesebbet – ami természetes. Az n növelésével tetszőlegesen naggyá tehető felső korlát élessége azonban erős anomália.

66

1. Bevezetés

1.8.4. Párhuzamos korlátozás és szétválasztás A korlátozás és szétválasztás gyakran alkalmazott optimalizációs módszer. A módszer alkalmazása során olyan x = (x1 , x2 , . . . , xn ) vektort keresünk, amely minimalizál egy f (x) függvényt – figyelembe véve korlátozások K halmazát. A korlátozások lehetnek explicitek vagy implicitek. Az implicit korlátozások az xi értékek kapcsolatát jellemzik, például n X

ai xi ≤ b,

(1.89)

a1 x21 − a2 x1 x2 + a3 x43 = 6 .

(1.90)

i=1

Az explicit korlátozások az xi értékekre adnak korlátokat, például xi ∈ {0, 1} , xi ≥ 0 .

(1.91)

Az explicit korlátozásokat kielégítő vektorok alkotják a megoldási teret. Ezek a vektorok rendszerint egy fát alkotnak, melyeket megoldási fának nevezünk. A fa gyökerétől bizonyos levelekhez vezető utak a megoldási tér egy elemét határozzák meg. Az ilyen csúcsokat megengedett megoldás csúcsnak nevezzük. Egy ilyen csúcs költsége az f függvény értéke az adott csúcsban. Az optimalizálás célja a minimális költségű csúcs meghatározása. Az állapotfa minden N csúcsához hozzárendeljük az fmin (N ) = min{f (Q)|Q megengedett megoldás az N csúcshoz tartozó részfában} (ha nincs ilyen Q, akkorfmin (N ) = ∞) értéket. A továbbiakban az LCBB (Least-Cost Branch-and-Bound) korlátozószétválasztó módszerrel foglalkozunk, melyben a következő tulajdonságokkal rendelkező g() heurisztikus függvényt alkalmazzuk:

1.8. Anomália

67

1. g(N ) ≤ fmin (N ) az állapottér minden N csúcsára. 2. g(N ) = f (N ) a válaszcsúcsokra. 3. g(N ) = ∞ a megengedett megoldásokra. 4. g(N ) ≥ g(P ), ha N a P csúcs gyereke. g( )-t korlátozó függvénynek nevezzük. LCBB az állapottérhez tartozó csúcsokat állít elő – g( ) felhasználásával. Az olyan előállított csúcsot, amelynek gyerekeit még nem állítottuk elő, és megengedett megoldásokhoz vezethet, élő csúcsnak nevezzük. Az élő csúcsok listáját karbantartjuk – rendszerint kupacként. LCBB minden iterációs lépésben kiválaszt egy N élő csúcsot, amelynek g( ) értéke minimális. Ezt a csúcsot aktuális E-csúcsnak nevezzük. Ha N válasz csúcs, akkor minimális költségű válasz csúcs. Ha N nem válasz csúcs, akkor előállítjuk a gyerekeit. Azokat a gyerekeket, amelyek nem vezethetnek minimális költségű válaszhoz, eldobjuk (ezeket a csúcsokat bizonyos heurisztikával választjuk ki). A megmaradó gyerekeket hozzáadjuk az élő csúcsokhoz. Az LCBB módszer többféleképpen párhuzamosítható. Az egyik lehetőség, hogy minden iterációs lépésben több E-csúcs is kiterjeszthető. Ha a processzorok száma p, q = min{p, élő csúcsok száma} csúcsot választunk, mint E-csúcsot (azt a q élő csúcsot, melyekre a legkisebb a g( ) függvény értéke). Legyen gmin ezen csúcsok g( ) értékeinek minimuma. Ha ezen E-csúcsok bármelyike válaszcsúcs, és a g( )-értéke gmin , akkor az a csúcs minimális költségű válaszcsúcs. Egyébként mind a q csúcsot kiterjesztjük (minden processzor egy csúcsot terjeszt ki), és gyerekeit hozzáadjuk az élő csúcsok listájához. q darab E-csúcs minden ilyen kiterjesztése a párhuzamos LCBB egy iterációja. Adott I-re és gre jelöljük I(p)-vel a p processzor esetében szükséges iterációk számát. Ekkor természetesnek látszanak I(p) következő tulajdonságai: 1. ha p1 < p2 , akkor I(p1 ) ≥ I(p2 );

68 2.

1. Bevezetés I(p1 ) I(p2 )

≤

p2 . p1

Az első tulajdonság szerint a processzorok számának növelésekor nem nőhet az iterációk száma. A második tulajdonság szerint a teljesítmény nem lehet nagyobb, mint a felhasznált erőforrások mennyisége. Lai és Sahni 1984-ben megmutatták, hogy egyik tulajdonság sincs biztosítva – még akkor sem, ha g( ) eleget tesz a (1)–(4) korlátozásoknak. 1.8.5. Az anomália elkerülése Az anomáliát általában igyekeznek elkerülni. A lapcserélésnél például az elkerülés elégséges feltétele az, ha a cserélési algoritmus rendelkezik a verem tulajdonsággal: ha ugyanazt a hivatkozási sorozatot m és m + 1 méretű memóriájú gépen futtatjuk, akkor minden hivatkozás után igaz az, hogy a nagyobb memória mindazokat a lapokat tartalmazza, amelyeket a kisebb tartalmaz. A vizsgált ütemezési feladatnál elegendő az, ha nem követeljük meg az ütemező algoritmustól a lista alkalmazását. Gyakorlatok 1.8-1. Az A és B párhuzamos algoritmusok megoldják a kiválasztási feladatot. Az A algoritmus n0.5 processzort használ és a futási ideje Θ(n0.5 ). A B algoritmus n processzort használ és a futási ideje Θ(lg n). Határozzuk meg az elvégzett munkát, a gyorsítást és a hatékonyságot mindkét algoritmusra. Munkahatékonyak-e ezek az algoritmusok? 1.8-2. Elemezzük a következő két állítást. a. Az A algoritmus futási ideje legalább O(n2 ).

b. Mivel az A algoritmus futási ideje O(n2 ), a B algoritmus futási

ideje pedig O(n lg n), ezért a B algoritmus a hatékonyabb.

1.8-3. Terjesszük ki a váltási hely definícióját nem egész v értékekre és

1. fejezet feladatai

69

párhuzamos algoritmusokra. 1.8-4. Becsüljük meg annak valószínűségét, hogy egy szabályos pénzérmét ezerszer feldobva legalább hatszázszor dobunk fejet. Útmutatás. A P r[X = 600] valószínűséget a Stirling-képlettel, a P r[X = 601], . . . , P r[X = 1000] valószínűségeket pedig geometriai sorral becsüljük. 1.8-5. Egészítsük ki a hálózatok adatait tartalmazó 1.2. táblázatot további adatokkal és hálózatokkal.

Feladatok 1-1. Variációk O-ra és Ω-ra ∞

Az Ω és O különböző definíciói ismertek. Az egyikre a Ω (olvasd: omega ∞

végtelen) jelölést használjuk. Azt mondjuk, hogy f (n) =Ω (g(n)), ha létezik c pozitív valós állandó úgy, hogy f (n) ≥ cg(n) ≥ 0 teljesül

végtelen sok egész n-re. a. Egy függvényt aszimptotikusan nemnegatívnak nevezünk, ha minden elég nagy n-re nemnegatív. Mutassuk meg, hogy bármely két aszimptotikusan nemnegatív f (n) és g(n) függvény esetében vagy ∞

f (n) = O(g(n)), vagy f (n) =Ω (g(n)), vagy mindkettő teljesül, ha ∞ azonban Ω helyett Ω-t használunk, akkor nem igaz az állítás. b. Mik a lehetséges előnyei és hátrányai annak, ha a programok futási ∞

idejének jellemzésére Ω-t használunk Ω helyett? Néhány szerző a O-t is kissé másképp definiálja; használjuk az O0 jelölést erre az alternatív definícióra. Azt mondjuk, hogy f (n) = O0 (g(n)) akkor és csak akkor, ha |f (n)| = O(g(n)). c. Ismert, hogy f (n) = Θ(g(n)) akkor és csak akkor teljesül, ha f (n) = ∞

Ω(g(n)) és f (n) = O(g(n)). Mit mondhatunk, ha Ω helyett Ω szerepel?

70

1. Bevezetés ∼

Szokásos a O-n (olvasd: gyenge ordó) szimbólumot a logaritmikus tényezők elhanyagolásával kapott O-jelölésre használni. Azt mond∼

juk, hogy O (g(n)) = f (n), ha léteznek olyan c pozitív valós, k és n0 pozitív egész állandók úgy, hogy, ha n ≥ n0 , akkor 0 ≤ f (n) ≤

cg(n) lgk (n).

∼

∼

d. Definiáljuk hasonló módon Ω-t és Θ-t. Bizonyítsuk be a c. részben kimondott állítás ennek megfelelő változatát.

1-2. A gyorsítás korlátai a. Bizonyítsuk be Amdahl és Gustafson törvényét. b. Magyarázzuk meg, hogy a két törvény közötti ellentmondás látszólagos. c. A gyakorlatban milyen korlátai vannak a gyorsításnak?

1-3. Hanoi tornyai általánosan Általánosítsuk a Hanoi tornyaira vonatkozóan kapott eredményt. a. Mit mondhatunk a lépésszámról akkor, ha négy rudat használhatunk? b. Mit mondhatunk a lépésszámról akkor, ha 2 + k (k ≥ 1) rudat használhatunk?

c. Mit mondhatunk a lépésszámról akkor, ha korlátozzuk a rudak közötti mozgatás lehetőségeit, például az A rúdról a B rúdra és a B rúdról az A rúdra nem szabad korongot áthelyezni? d. Mennyire csökkenthető a lépésszám konstans számú rúd esetén? e. Mennyi rúd elegendő a lépésszám O(n)-re csökkentéséhez? f. Mit mondhatunk a lépésszámról akkor, ha s szerzetes párhuzamosan dolgozhat? Feltételezzük, hogy minden lépésben minden rúdról


71

legfeljebb egy korongot szabad elvenni és minden rúdra legfeljebb egy korongot szabad ráhelyezni, továbbá minden szerzetes legfeljebb egy korongot mozgathat? g. Mit mondhatunk a lépésszámról akkor, ha az s szerzetes párhuzamos munkáját paraméteresen értelmezzük: az m-párhuzamos olvasás jelentse azt, hogy a szerzetesek egy lépésben rudanként legfeljebb az m legfelső koronghoz férnek hozzá; az m-párhuzamos írás pedig jelentse azt, hogy minden korongra külön legfeljebb m korongot helyezhetnek egyidejűleg.

1-4. Anomália Tervezzünk egy algoritmust (és valósítsuk is meg), amely azt bizonyítja, hogy egy adott feladatot q > p processzoron megoldani tovább tart, mint p > 1 processzoron. 1-5. Párhuzamossággal a hírnévért és dicsőségért 1997-ben Andrew Beale dallasi bankár 50 ezer dollár díjat tűzött ki annak, aki bizonyítja vagy cáfolja sejtését. Eszerint ha aq + b p = c r ,

(1.92)

akkor az a, b és c számoknak van egynél nagyobb közös osztója (az egyenletben mind a hat betű egész számot jelent és a kitevők értéke legalább három). Hogyan használhatók fel a párhuzamos algoritmusok a díj megszerzésére? 1-6. Rangsorolás Tekintsük az összehasonlítás alapú rendezés következő általánosítását. n elemet – például n sportolót – páronként összehasonlítunk, és a győztesnek 1 pontot, a vesztesnek pedig 0 pontot adunk. Legyen pi az i-edik játékos pontszáma (győzelmeinek száma).

72

1. Bevezetés

a. Tervezzünk párhuzamos algoritmust, amely adott q = q1 , q2 , . . . , qn sorozatról eldönti, hogy lehet-e az előbb leírt verseny pontsorozata. Útmutatás. Használjuk fel Landau tételét, amely szerint q akkor és csak akkor lehet pontsorozat, ha a következő két feltétel mindegyike teljesül: k X i=1

és

qi ≥

k 2 n X

!

(ha 1 ≤ k ≤ n)

qi =

i=1

n . 2

(1.93)

(1.94)

b. Oldjuk meg a feladatot akkor, ha minden összehasonlításnál k ≥ 1

pontot osztunk ki az összehasonlított sportolók között, és a k pont

minden lehetséges módon felosztható (azzal a megszorítással, hogy mindkét játékosra a kapott pontok száma nemnegatív egész). c. Oldjuk meg a feladatot akkor, ha minden összehasonlításnál k (1 ≤

a ≤ k ≤ b) pontot osztunk ki az összehasonlított sportolók között, – a k pont minden lehetséges módon felosztható (azzal a megszorítás-

sal, hogy mindkét játékosra a kapott pontok száma nemnegatív egész), az a és b számok pozitív egészek. d. Elemezzük a feladatnak azt az általánosítását, amelyben az összehasonlításoknak csak egy részét végeztük el. Lényeges-e annak ismerete, hogy mely összehasonlításokat végeztük el?


2. Párhuzamos gépek

Ebben a fejezetben először két alapvető módszert, a prefixszámítást és a tömbelemek rangsorolását (2.1. alfejezet), azután az összefésülést (2.2. alfejezet), kiválasztást (2.3. alfejezet), rendezést (2.4. alfejezet), végül pedig néhány gráfalgoritmust (2.5. alfejezet) mutatunk be.

2.1. Alapvető módszerek Ebben az alfejezetben két, a feladatok párhuzamos megoldásában gyakran használt módszert mutatunk be. Az asszociatív műveletek gyors elvégzését a prefixek számítására, a mutatóugrást pedig a listarangsorolási feladat megoldására használjuk fel. 2.1.1. Prefixszámítás Legyen Σ egy alaphalmaz, melyen definiáltuk a ⊕ bináris asszociatív

operátort. Feltesszük, hogy a művelet egy lépéssel elvégezhető és a Σ

halmaz zárt erre a műveletre nézve. Egy ⊕ bináris operátor asszociatív a Σ alaphalmazon, ha minden

x, y, z ∈ Σ esetében teljesül

(x ⊕ y) ⊕ z = x ⊕ (y ⊕ z) .

(2.1)

Legyenek az X = hx1 , x2 , . . . , xp i sorozat elemei a Σ alaphalmaz ele-

mei. Ekkor a prefixszámítás bemenő adatai az X sorozat elemei, a prefixszámítási feladat pedig az x1 , x1 ⊕x2 , . . . , x1 ⊕x2 ⊕x3 ⊕· · ·⊕xp el-

74


emek meghatározása. Ezeket a meghatározandó elemeket prefixeknek hívjuk. Érdemes megjegyezni, hogy más területeken inkább az X sorozat x1 , x2 , . . . , xk kezdősorozatait hívják prefixeknek. 2.1. példa. Asszociatív műveletek. Ha Σ az egészek halmaza, ⊕ az összeadás

és a bemenő adatok sorozata a 3, -5, 8, 2, 5, 4, akkor a prefixek 3, -2, 6, 8, 13, 17. Ha az ábécé és a bemenő adatok ugyanazok, de a művelet a szorzás, akkor a kimenő adatok (prefixek) 3, -15, -120, -240, -1200, -4800. Ha a művelet a minimum (ez is asszociatív), akkor a prefixek 3, -5, -5, -5, -5, -5. Az utolsó prefix megegyezik a bemenő számok legkisebbikével.

A prefixszámítás sorosan megoldható O(p) lépéssel. Bármely A soros algoritmusnak N (p, A) = Ω(p) lépésre szüksége van. Vannak olyan párhuzamos algoritmusok, amelyek különböző párhuzamos modelleken megoldják a munkahatékony prefixszámítást. Először a CREW-prefix CREW PRAM algoritmust mutatjuk be, amely p processzoron Θ(lg p) lépéssel számítja ki a prefixeket. Azután az EREW-prefix algoritmus következik, amelynek menynyiségi jellemzői hasonlóak az előző algoritmuséhoz, azonban EREW PRAM számítási modellen is végrehajtható. Ezekkel az algoritmusokkal a prefixszámítást a soros megoldás Θ(p) lépésszámánál lényegesen gyorsabban meg tudjuk oldani, de sok az elvégzett munka. Ezért is érdekes az Optimális-prefix CREW PRAM algoritmus, amely dp/ lg pe processzort használ és Θ(lg p) lépést tesz. Ennek elvég-

zett munkája csak O(p), ezért a hatékonysága Θ(1) és az algoritmus munkaoptimális. Ennek az algoritmusnak a gyorsítása Θ(n/ lg n). A továbbiakban – a jelölések egyszerűsítése érdekében – a dp/ lg pe

típusú kifejezések helyett általában csak (p/ lg p)-t írunk.

2.1. Alapvető módszerek

75

Az algoritmusok tervezéséhez az oszd-meg-és-uralkodj elvet alkalmazzuk. A bemenő adatok legyenek X = x1 , x2 , . . . , xp . Az általánosság megszorítása nélkül feltehető, hogy p a 2 egész kitevőjű hatványa. Prefixszámítás CREW PRAM modellen Először egy p processzoros algoritmust mutatunk be, melynek lépésszáma Θ(lg p). CREW-prefix(p, X)

párhuzamos rekurzív eljárás

Számítási modell: PRAM Bemenet: p (a bemenő sorozat hossza) és X[1 : p] = x1 , x2 , . . . , xp (p hosszúságú sorozat) Kimenet: Y [1 : p] = y1 , y2 , . . . , yp (p hosszúságú sorozat, amelynek elemei a prefixek) 01 if p = 1 02 03

then y1 ← x1

return Y

04 if p > 1 05

then Az első p/2 processzor rekurzívan számítsa az x1 , x2 , . . . , xp/2 -höz tartozó prefixeket – legyenek ezek y1 , y2 , . . . , yp/2 (ezek adják a végeredmény első felét). Ugyanakkor a többi processzor rekurzívan számítsa ki az xp/2+1 , xp/2+2 , . . . , xp -hez tartozó prefixeket – legyenek ezek yp/2+1 , yp/2+2 , . . . , yp .

06

A processzorok másik fele párhuzamosan olvassa ki a globális memóriából yp/2 -t és az yp/2 ⊕ yp/2+1 , yp/2 ⊕ yp/2+2 , . . . , yp/2 ⊕ yp

prefixeket számítva állítsa elő a végeredmény másik felét. 07 return Y

76


2.2. példa. 8 elem prefixeinek számítása 8 processzoron. Legyen n = 8 és p = 8. A prefixszámítás bemenő adatai 12, 3, 6, 8, 11, 4, 5 és 7, az asszociatív művelet az összeadás. Az első szakaszban az első 4 processzor 12, 3, 6, 8 bemenethez a 12, 15, 21, 29 prefixeket számolja ki. A másik 4 processzor pedig a 11, 4, 5, 7 bemenethez számolja ki a 11, 15, 20, 27 prefixeket. A második szakaszban az első 4 processzor nem dolgozik, a második 4 pedig 29-et ad minden prefixhez és a 40, 44, 49, 56 eredményt kapja.

Mi ennek az algoritmusnak a T (p) lépésigénye? Az első lépés T (p/2) ideig, a második pedig O(1) ideig tart. Ezért a következő rekurziót kapjuk:

p + O(1) , 2 T (1) = 1 .

T (p) = T

(2.2) (2.3)

Ennek a rekurzív egyenletnek a megoldása T (p) = O(lg p). 2.1. tétel. A CREW-prefix algoritmus p CREW PRAM processzoron Θ(lg p) lépésben számítja ki p elem prefixeit. Ez az algoritmus nem munkaoptimális, mivel Θ(p lg p) munkát végez, és ismert olyan soros algoritmus, amely O(p) lépést tesz. Munkaoptimális algoritmust kaphatunk például úgy, ha a felhasznált processzorok számát lecsökkentjük (p/ lg p)-re, miközben a lépésszám nagyságrendje ugyanaz marad. A processzorszámot úgy csökkentjük, hogy a bemenet méretét csökkentjük (p/ lg p)-re, alkalmazzuk az előző algoritmust, majd végül minden prefixet kiszámolunk.

Prefixszámítás EREW PRAM modellen A következő algoritmusban a párhuzamos olvasás helyett elég a soros


77

olvasás lehetősége. EREW-prefix(p, X)


Számítási modell: EREW PRAM Bemenet: p (a bemenő sorozat hossza) és X[0 : p] = x0 , x1 , x2 , . . . , xp (p hosszúságú sorozat) Kimenet: Y [1 : p] = y1 , y2 , . . . , yp (p hosszúságú sorozat, melynek elemei a prefixek) 01 Y [1] ← X[1]

02 Pi in parallel for i ← 2 to p

Y [i] ← X[i − 1] ⊕ X[i]

03

04 k ← 2

05 while k < p 06 07 08

Pi in parallel for i ← k + 1 to p k ←k+k

do Y [i] ← Y [i − k] ⊕ Y [i]

09 return Y

2.2. tétel. Az EREW-prefix algoritmus p EREW PRAM processzoron Θ(lg p) idő alatt számítja ki p elem prefixeit. Bizonyítás. A futási idő nagyságrendjét az határozza meg, hányszor hajtódik végre az utolsó sorban lévő utasítás. A 01–03. és 9. lépések O(1) idő alatt, a 04–08. lépések Θ(lg p) idő alatt hajtódnak végre.

Prefixszámítás munkaoptimálisan Optimális-prefix(p, X)


Számítási modell: CREW PRAM Bemenet: p (a bemenő sorozat hossza) és X[1 . . p] = hx1 , x2 , . . . , xp i

78


(p hosszúságú sorozat) Kimenet: Y [1 . . p] = hy1 , y2 , . . . , yp i (p hosszúságú sorozat, melynek elemei a prefixek)

01 Pi processzor (i = 1, 2, . . . , p/ lg p) sorosan számolja a hozzárendelt lg p darab x(i−1) lg p+1 , x(i−1) lg p+2 , . . . , xi lg p elem prefixeit. Legyen az eredmény z(i−1) lg p+1 , z(i−1) lg p+2 , . . . , zi lg p . 02 Összesen

p lg p

processzor együtt alkalmazza a CREW-prefix

algoritmust a

p lg p

darab elem, zlg p , z2 lg p , z3 lg p , . . . , , zp prefixeinek

számítására. Legyen az eredmény wlg p , w2 lg p , w3 lg p , . . . , wp . 03 Minden processzor aktualizálja az első lépésben kiszámolt értéket: a Pi processzor (i = 2, 3, . . . , p/ lg p) számolja ki a w(i−1) lg p ⊕ z(i−1) lg p+1 , w(i−1) lg p ⊕ z(i−1) lg p+2 ,

. . . , w(i−1) lg p ⊕ zi lg p prefixeket, majd az első processzor változtatás nélkül adja ki a z1 , z2 , . . . , zlg p prefixeket.

04 return Y Az algoritmus lépésszáma logaritmikus. Ennek belátását megkönnyíti a következő két képlet: z(i−1) lg p+k =

iX lg p

xj (k = 1, 2, . . . , lg p)

(2.4)

j=(i−1) lg p+1

és wi lg p =

i X

zj lg p (i = 1, 2, . . .) ,

(2.5)

j=1

ahol az összegzés a megfelelő asszociatív művelet segítségével történik. 2.3. tétel (párhuzamos prefixszámítás Θ(lg p) lépéssel). Az Optimális-prefix algoritmus (p/ lg p) CREW PRAM processzoron Θ(lg p) idő alatt számítja ki p elem prefixeit. Bizonyítás. Az algoritmus az első szakasza Θ(lg p) ideig, a második szakasza Θ(lg(p/ lg)) = Θ(lg p) lépésig tart. Végül a harmadik szakasz


79

ugyancsak Θ(lg p) időt igényel.

A tételből következik, hogy az Optimális-prefix algoritmus munkaoptimális. 2.3. példa. 16 elem összeadása. Legyen 16 elemünk: 5, 12, 8, 6, 3, 9, 11, 12, 1, 5, 6, 7, 10, 4, 3, 5. Az asszociatív művelet az összeadás. Ekkor lg n = 4. Ekkor az első párhuzamos lépésben a processzorok 4-4 elem prefixeit számolják. A második lépésben a helyi összegekből globális összegeket számolunk, majd azokkal a harmadik lépésben frissítjük a helyi eredményeket. A számítás menetét mutatja a 2.1. ábra.

2.1.2. Tömb elemeinek rangsorolása A tömbrangsorolási feladat bemenő adata egy p elemű tömbben ábrázolt lista: minden elem tartalmazza jobb oldali szomszédjának az indexét (és esetleges további adatokat). A feladat az elemek rangjának (jobb oldali szomszédai számának) meghatározása. Mivel az adatokra nincs szükség a megoldáshoz, feltesszük, hogy az elemek csak a szomszéd indexét tartalmazzák. A jobb szélső elem index mezője nulla. Az indexet a továbbiakban mutatónak hívjuk. 2.4. példa. Tömbrangsorolás bemenő adatai. Legyen A[1 : 6] a 2.2. ábra felső sorában bemutatott tömb. Ekkor az A[1] elem jobboldali szomszédja A[5], A[2] jobboldali szomszédja A[4]. A[4] az utolsó elem, ezért rangja 0. A[2] rangja 1, mivel csak A[4] van tőle jobbra. A[5] rangja 3, mivel az A[3], A[2] és A[4] elemek vannak tőle jobbra. Az elemek sorrendjét (balról jobbra haladva) mutatja az ábra alsó része.

A tömbrangsorolás sorosan elvégezhető lineáris lépésszámmal. Először meghatározzuk a tömb fejét– az egyetlen olyan i értéket (1 ≤ i ≤ p),

80

2. Párhuzamos gépek 1. processzor

2. processzor

3. processzor

4. processzor

5, 12, 8, 6

3, 9, 11, 12

1, 5, 6, 7

10, 4, 3, 5

1. lépés 5, 17, 25, 31

3, 12, 23, 35

1, 6, 12, 19

10, 14, 17, 22

31, 35, 19, 22 2. lépés 31, 66, 85, 107

5, 17, 25, 31

3, 12, 23, 35

1, 6, 12, 19

10, 14, 17, 22

3. lépés 5, 17, 25, 31

34, 43, 54, 66

67, 72, 78, 85

95, 99, 102, 107

2.1. ábra. 16 elem prefixeinek számítása az Optimális-prefix algoritmussal.

5

4

2

0

3

1

A[1]

A[2]

A[3]

A[4]

A[5]

A[6]

A[1]

A[5]

A[6]

A[3]

A[2]

A[4]

2.2. ábra. Tömbrangsorolási probléma bemenő adatai és a megfelelő tömb.

melyre A[j] 6= i teljesül minden 1 ≤ j ≤ n értékre. Legyen A[i] a tömb


81

szomsz

rang

5

4

2

0

3

1

1

1

1

0

1

1

(kezdeti állapot)

3

0

4

0

2

5

2

1

2

0

2

2

q=1

4

0

0

0

0

2

4

1

2

0

3

4

q=2

0

0

0

0

0

0

4

1

2

0

3

5

q=3

2.3. ábra. A Det-rangsorol algoritmus működése a 2.4. példa adataival.

feje. A fejtől kiindulva pásztázzuk a tömböt és az elemekhez rendre hozzárendeljük a p − 1, . . . , 1, 0 rangokat.

Ebben a részben két párhuzamos algoritmust ismertetünk. Az egyik

a Det-rangsorol, amely egy p processzoros EREW PRAM modellen Θ(lg p) futási időt igényel, a másik a Vél-rangsorol, amely egy (p/ lg p) processzoros véletlenített EREW PRAM algoritmus O(lg p) futási idővel. Mindkettő relatív sebessége Θ(p/ lg p). Az első algoritmus hatékonysága (Θ(p)/(Θ(p lg p)) = Θ(1/ lg p), míg a másodiké Θ(1.) Ezért az első algoritmus csak munkahatékony, a második algoritmus viszont munkaoptimális is. Determinisztikus tömbrangsorolás Ezekben az algoritmusokban az egyik alapvető ötlet a mutatóugrás. Det-rangsorol szerint először mindegyik elem a jobb oldali szomszédjának indexét tartalmazza, és ennek megfelelően a rangja – a jobb oldali szomszédjához viszonyítva – 1 (kivétel a lista utolsó eleme, melynek rangja 0. Ezt a kezdeti állapotot mutatja a 2.3. ábra első sora. Ezután módosítjuk a csúcsokat úgy, hogy mindegyik a jobb oldali szomszédjának a jobb oldali szomszédjára mutasson (ha nincs, akkor a

82


lista végére). Ezt tükrözi a 2.3. ábra második sora. Ha p processzorunk van, akkor ez O(1) lépéssel elvégezhető. Most minden csúcs (kivéve az utolsót) olyan csúcsra mutat, amelyik eredetileg 2 távolságra volt. A mutatóugrás következő lépésében a csúcsok olyan csúcsra mutatnak, amelyek eredetileg 4 távolságra voltak tőlük (ha ilyen csúcs nincs, akkor a lista végére) – amint azt az ábra harmadik sora mutatja. A következő lépésben a csúcsok (pontosabban a mutató részük) a 8 távolságú szomszédra mutatnak (ha van ilyen – ha nincs, akkor a lista végére), a 2.3. ábra utolsó sora szerint. Minden csúcs minden lépésben információt gyűjt arról, hány csúcs van közte és azon csúcs között, amelyre most mutat. Ehhez kezdetben legyen a csúcsok rang mezőjében 1 – kivéve a jobboldali csúcsot, melyre ez az érték legyen 0. Legyen rang[i] és szomsz[i] az i csúcs rang, illetve szomszéd mezője. A mutatóugrás során rang[i]-t általában rang[i] + rang[szomsz[i]]-re módosítjuk – kivéve azokat a csúcsokat, melyekre szomsz[i] = 0. Ezután szomsz[i]-t úgy módosítjuk, hogy szomsz[szomsz[i]]re mutasson. A teljes Det-rangsorol algoritmus a következő. Det-rangsorol(szomsz[1 : p], rang[1 : p])


Számítási modell: EREW PRAM Bemenet: szomsz[1 : p] (az elemek jobboldali szomszédainak indexei) Kimenet: rang[1 : p] (az elemek rangjai) 01 Pi in parallel for i ← 1 to p

02

do if szomsz[i] = 0 then rang[i] ← 0

03 04 05 for j ← 1 to dlg pe

06 07

else rang[i] ← 1

do Pi in parallel for i ← 1 to p

do if szomsz[i] 6= 0


83 then rang[i] ←

08

rang[i] + rang[szomsz[i]]

09 szomsz[szomsz[i]]

szomsz[i] ←

A 2.3. ábra mutatja, hogyan működik Det-rangsorol a 2.6. példa adataival. Kezdetben minden csúcs rangja 1, kivéve a 4. csúcsot. Amikor q = 1, akkor például az 1. csúcs rang mezőjét kettőre változtatjuk, mert jobboldali szomszédjának (ez az 5. csúcs) rangja 1. Az 1. csúcs szomsz mezőjét az 5. csúcs szomszédjának indexére, azaz 3-ra változtatjuk. 2.4. tétel. A Det-rangsorol algoritmus egy EREW PRAM modellen p processzoron Θ(lg p) lépésben határozza meg egy p elemű tömb elemeinek rangját. Mivel a A Det-rangsorol algoritmus Θ(p lg p) munkát végez, ezért nem munkaoptimális, viszont munkahatékony. A listarangsorolási probléma megfelel a lista prefix összege számításának, ahol minden csúcs súlya 1, kivéve a jobboldalit, melynek súlya 0. A Det-rangsorol algoritmus könnyen módosítható úgy, hogy kiszámítsa egy lista prefixeit – a processzorszámra és a lépésszámra vonatkozó hasonló korlátokkal. Véletlenített listarangsorolás (?) Most egy nagy valószínűséggel munkahaoptimális véletlen listarendező algoritmus következik. Minden processzor lg p csúcs rangját számolja. A Pi processzort az A[(i − 1) lg p + 1], A[(i − 1) lg p +2], . . . , A[i lg p] csúcsokhoz rendeljük. Az algoritmus meneteket hajt végre. Minden me-

netben kiválasztja és kiemeli a csúcsok egy részét. Amikor egy csúcsot kiemelünk, akkor a rá vonatkozó információt tároljuk úgy, hogy

84


később a rangját meg tudjuk határozni. Ha már csak 2 csúcs marad, a listarendezési probléma egyszerűen megoldható. A következő menetben a kiemelt csúcsokat beemeljük. Amikor egy csúcsot beemelünk, akkor a helyes rangját is meghatározzuk. A beemelés sorrendje a kiemelési sorrend fordítottja. A Kiemel algoritmus a következő. Kiemel(p)


Számítási modell: EREW PRAM Bemenet: p (a rangsorolandó elemek száma) és A[1 : p] (a rangsorolandó elemeket tartalmazó tömb) Kimenet: rang[1 : p] (az elemek rangjai) 01 Láncoljuk a listát kettősen. Legyen az A[i] csúcs bal oldali szomszédja bal_szomsz[i], jobb oldali szomszédja jobb_szomsz[i]. A csúcsok rang mezőit kezdetben így adjuk meg: [1] → [1] → [1] → [1] → [1] → [1] → [0] ⇓ .

02 while A megmaradó csúcsok száma legalább 3 03

do Pi in parallel for i ← 1 to p/ lg p

vizsgálja meg a következő hozzátartozó kiemeletlen csúcsot (legyen ez x). Ezután dobjon fel egy kétoldalú érmét. Ha az eredmény írás, akkor Pi maradjon tétlen a menet hátralévő részében. A következő menetben próbálja meg ismét kiemelni x-et. Másrészt, ha a dobás eredménye fej, akkor

Pi megvizsgálja, vajon az elem jobb oldali szomszédját éppen vizsgálja-e a megfelelő processzor. Ha a megfelelő processzor éppen vizsgálja és a dobásának eredménye ugyancsak fej, akkor Pi

feladja és a menet hátralévő hátralévő részében tétlen marad. Ha nem, akkor Pi kiemeli x-et. Amikor egy x csúcsot

2.1. Alapvető módszerek 04

85

kiemelünk, tároljuk a menetszámot, valamint a bal_szomsz[x] mutatót és rang[bal_szomsz[x]]-et. Az utóbbi ebben a pillanatban a bal_szomsz[x] és x közötti csúcsok számát tartalmazza. Pi a rang[bal_szomsz[x]] ← rang[bal_szomsz[x]] + rang[x]

értékadást is elvégzi. Pi végül beállítja a

jobb_szomsz[bal_szomsz[x]] ← jobb_szomsz[x] és

bal_szomsz[jobb_szomsz[x]] ← bal_szomsz[x]

értékeket.

A kettős láncolás p processzorral O(1) lépéssel elvégezhető. A Pi processzorhoz az A[i] (1 ≤ i ≤ p) csúcsot rendeljük. Egy lépésben

Pi a szomsz[i] memóriarekeszbe ír úgy, hogy a következő lépésben az A[szomsz[i]] csúccsal összekapcsolt processzor ismerni fogja bal oldali szomszédját. A lassulási lemma segítségével belátható, hogy p/ lg p processzoron p elem kettős láncolása lg p lépésben elvégezhető. A csúcsok beemelése ugyancsak menetekben történik. Amikor az x csúcsot beemeljük, helyes rangját így határozzuk meg: ha kiemelésekor a bal_szomsz[x] mutatót tároltuk, akkor x rangját úgy kapjuk, hogy bal_szomsz[x] aktuális rangjából levonjuk azt a rangot, amit x kiemelésekor tároltunk. A mutatókat ugyancsak frissítjük, figyelembe véve azt a tényt, hogy x-et már beemeltük. Ezt mutatja a 2.4. ábra, amelyen a

csúcsoknak csak a jobb oldali mutatója szerepel. Most megmutatjuk, hogy a kiemelések s összes száma O(lg p). Ha egy csúcsot a i-edik menetben kiemelünk, akkor a (2s−i+1). menetben fogjuk beemelni. Így az algoritmus szerkezete a következő. Az 1, 2, . . . , s menetekben egymás után kiemeljük a csúcsokat. Az s menetekben az addigra megmaradt 2 csúcs egyikét kiemeljük. Az (s + 1)-edik menetekben beemeljük az s-edik menetben kiemelt csúcsot. Az (s + 2)-edik menetben az s = 1 menetben kiemelt csúcsot emeljük be és így tovább. Az

86

2. Párhuzamos gépek * 1

1

* 1

1

1

0

1

0

kiemelés 2

1

1

2

rangok rekurzív keresése 5

1

3

2

1

0

1

0

beemelés 5

4

3

2

A * kiemelt csomópontokat jelöl.

2.4. ábra. A csúcsok kiemelése és beemelése.

utolsó menet után az eredeti lista minden csúcsának rangját tudjuk. Mivel Pi minden menetben csak egy csúcsot vizsgál, ezért a hozzá tartozó csúcsok közül legfeljebb egyet emelünk ki. Az is minden esetben fennáll, hogy a lista szomszédos csúcsait egyszerre nem emeljük ki: ugyanis a fej után egy processzor csak akkor próbálja kiemelni a választott csúcsot, ha a jobb oldali szomszéd processzor nem f ej-et dobott. Ezért a processzorok menetenként csak O(1) lépést igényelnek. Az algoritmus lépésszámához csak s-et kell meghatározni. Ehhez megbecsüljük a menetenként kiemelt csúcsok számát. Minden Pi processzorra igaz, hogy a kiválasztott x csúcsot legalább 1/4 valószínűséggel kiemeli: ugyanis Pi 1/2 valószínűséggel dob fej-et, és legalább 1/2 annak a valószínűsége, hogy x jobb oldali szomszédját (legyen ez a csúcs y) nem választjuk ki, vagy kiválasztjuk ugyan, de y processzora írást

 Vissza a tartalomhoz 2.2. Összefésülés

87

dob. Minden processzor lg p csúccsal kezdi az algoritmust és minden menetben legalább q = 1/4 annak valószínűsége, hogy kiemel egy csúcsot. Ezért s várható értéke legfeljebb 4 lg p. Most alkalmazzuk az (1.53) Csernov-egyenlőtlenséget, amely p darab q-paraméterű Bernoulli-kísérlet esetében minden 0 < < 1 számra igaz. A 48α lg p kísérlet és q = 1/4 sikervalószínűség paraméterekkel az = 1/2 esetben azt kapjuk, hogy P (s ≤ 48α lg p) > 1 − p−α

(2.6)

minden α ≥ 1 értékre. Tehát beláttuk a következő tételt. 2.5. tétel (lista rendezése O(lg p) lépéssel). A Kiemel algoritmus egy p hosszúságú lista rangsorolását p/ lg p EREW PRAM processzoron O(lg p) lépéssel elvégezi.

2.2. Összefésülés Adott 2 csökkenőleg (vagy növekvőleg) rendezett sorozat, melyek együtt p elemet tartalmaznak. A feladat ennek a sorozatnak egy csökkenő (vagy növekvő) sorozattá való rendezése. Ez a feladat egy soros processzoron O(p) lépéssel megoldható. Mivel legrosszabb esetben minden elemet meg kell vizsgálni és a helyére kell tenni, ezért a feladat megoldásának lépésszámigénye Ω(p). 2.2.1. Logaritmikus idejű algoritmus Legyen X1 = hk1 , k2 , . . . , km i és X2 = hkm+1 , km+2 , . . . , k2m i a két be-

menő sorozat. Az egyszerűség kedvéért legyen m 2 hatványa és a kulcsok különbözzenek. Az összefésüléshez elég az összes kulcs rangjának kiszámítása. Ha a rangokat ismerjük, akkor p = 2m processzoron egy lépésben beírhatjuk

88


az i rangú kulcsot az i-edik memóriarekeszbe. 2.6. tétel. A Log-összefésül algoritmus két m hosszúságú kulcssorozatot Θ(lg m) idő alatt fésül össze 2m CREW PRAM processzoron. Bizonyítás. A k kulcs rangja legyen rk1 (rk2 ) X1 -ben (X2 -ben). Ha k = kj ∈ X1 , akkor legyen rk1 = j. Ha egy külön π processzort rendelünk k-

hoz, akkor az bináris kiválasztással Θ(lg m) lépéssel meghatározza azon X2 -beli elemek q számát, amelyek kisebbek, mint k. Ha q ismert, akkor

π kiszámíthatja k (X1 ∪ X2 )-beli rangját: ez j + q lesz. Ha k X2 -höz

tartozik, hasonlóképpen járhatunk el.

Összegezve: ha elemenként egy, azaz összesen 2m processzorunk van, akkor két m hosszúságú rendezett sorozat O(lg m) lépéssel összefésülhető. Az ezt megoldó algoritmus neve Log-összefésül. Ez az algoritmus nem munkaoptimális, de munkahatékony. 2.2.2. Páros-páratlan összefésülő algoritmus Ez az algoritmus a klasszikus oszd meg és uralkodj elvet alkalmazza. Legyen X1 = k1 , k2 , . . . , km és X2 = km+1 , km+2 , . . . , k2m a két bemenő sorozat. Az egyszerűség kedvéért legyen m kettő hatványa és a kulcsok legyenek különbözőek. Páros-páratlan-összefésül(X1 , X2 )


Számítási modell: EREW PRAM Bemenet: X1 és X2 (két rendezett sorozat) Kimenet: Y (az összefésült sorozat) 01 if m = 1 then fésüljük össze a sorozatokat egyetlen összehasonlítással

2.2. Összefésülés 02

89

return Y

03 Bontsuk fel X1 -et és X2 -t páros és páratlan részre, azaz legyen X1ptn = k1 , k3 , . . . , km−1 és X1prs = k2 , k4 , . . . , km . 04 Hasonlóképpen bontsuk fel X2 -t is X2ptn és X2prs részekre. 05 Rekurzívan fésüljük össze X1ptn -t és X2ptn -t m processzoron. Legyen az eredmény L1 = l1 , l2 , . . . , lm . Ugyanakkor fésüljük össze X1prs -t és X2prs -t másik m processzoron: az eredmény legyen L2 = lm+1 , lm+2 , . . . , l2m . 06 Keverjük össze az L1 , L2 sorozatokat, azaz legyen L = l1 , lm+1 , l2 , lm+2 , . . . , lm , l2m . 07 Hasonlítsuk össze az (lm+i , li+1 ) (i = 1, 2, . . . , m − 1) párokat és szükség esetén cseréljük fel őket.

Az eredmény lesz a kimenő sorozat. 08 return Y 2.5. példa. Kétszer nyolc szám összefésülése. Legyen X1 = 2, 5, 8, 11, 13, 16, 21, 25 és X2 = 4, 9, 12, 18, 23, 27, 31, 34. A 16 szám rendezését mutatja a következő 2.5. ábra.

Az összefésülő algoritmusok helyessége a nulla-egy elv segítségével bizonyítható. Egy összehasonlítás alapú rendező algoritmus egyszerű, ha az összehasonlítandó elemek sorozata előre meg van határozva (ekkor a következő összehasonlítás elemei nem függnek a mostani eredménytől). Formálisan ez azt jelenti, hogy adott az összehasonlítandó elempárok indexeinek (i1 , j1 ), (i2 , j2 ), . . . , (im , jm ) sorozata. 2.7. tétel (nulla-egy elv). Ha egy egyszerű összehasonlításos rendező algoritmus helyesen rendez egy n hosszúságú nulla-egy sorozatot, akkor tetszőleges kulcsokból álló n hosszúságú sorozatot is helyesen rendez.

90

2. Párhuzamos gépek X1 = 2, 5, 8, 11, 13, 16, 21, 25 X1pn 2, 8, 13, 21

X2 = 4, 9, 12, 18, 23, 27, 31, 34 X2pn

X1ps 5, 11, 16, 25

4, 12, 23, 31

összefésülés

X2ps 9, 18, 27, 34

összefésülés

L1 = 2, 4, 8, 12, 13, 21, 23, 31

L2 = 5, 9, 11, 16, 18, 25, 27, 34

összekeverés L = 2, 5, 4, 9, 8, 11, 12, 16, 13, 18, 21, 25, 23, 27, 31, 34 összehasonlítás és csere 2, 4, 5, 8, 9, 11, 12, 13, 16, 18, 21, 23, 25, 27, 31, 34

2.5. ábra. 16 szám rendezése a Páratlan-páros-összefésül algoritmussal.

Bizonyítás. Legyen A egy egyszerű összehasonlításos (növekvőleg) ren-

dező algoritmus és legyen S egy olyan kulcssorozat, melyet az adott algoritmus rosszul rendez. Ekkor a rosszul rendezett S sorozatban van olyan kulcs, amely az i-edik (1 ≤ i ≤ n − 1) helyen van annak ellenére,

hogy S-ben legalább i nála kisebb elem van.

Legyen k S legelső (legkisebb indexű) ilyen kulcsa. A bemenő sorozatban írjunk a k-nál kisebb elemek helyére nullát, a többi elem helyére egyest. Ezt a módosított 0-1 sorozatot A helyesen rendezi, ezért a k

helyére írt egyest a rendezett sorozatban legalább i darab nulla megelőzi. Most kihasználjuk, hogy A egyszerű. A bemenő sorozatban színezzük

pirosra a k-nál kisebb (nulla) elemeket, és kékre a többit (egyeseket). Indukcióval megmutatjuk, hogy az eredeti és a 0-1 sorozatnak megfelelő színes sorozatok minden összehasonlítás után azonosak. A színek szerint

2.2. Összefésülés

91

háromféle összehasonlítás van: kék, piros vagy különböző színű elemek összehasonlítása. Ha azonos színű elemeket hasonlítunk össze, akkor a színek sorozata egyik esetben sem változik. Ha viszont különböző színű elemeket hasonlítunk össze, akkor mindkét esetben a piros elem kerül a kisebb, és a kék elem a nagyobb indexű helyre. Eszerint k-t legalább i nála kisebb elem megelőzi a rendezett sorozatban. Az ellentmondás az állítás helyességét mutatja.

2.6. példa. Egy nem összehasonlításos rendező algoritmus. Legyen hk1 , k2 ,

. . . , kn i egy bitsorozat. Rendezhetjük úgy, hogy megszámoljuk a nullák z

számát, majd leírunk előbb z nullát, majd n − z egyest. Erre az elv nem

alkalmazható, mert ez nem összehasonlításos rendezés.

Az összefésülés viszont rendezés, és a páros-páratlan összefésülés egyszerű. 2.8. tétel. A Páros-páratlan-összefésül algoritmus helyesen fésül össze tetszőleges számokból álló sorozatokat. Bizonyítás. Legyenek X1 és X2 rendezett 0-1 sorozatok, melyek közös hossza m. Legyen q1 (q2 ) az X1 (X2 ) elején álló nullák száma. Az X1ptn ban lévő nullák száma dq1 /2e, és az X1prs -ban lévő nullák száma bq1 /2c.

Így az L1 -beli nullák száma z1 = dq1 /2e + dq2 /2e és az L2 -beli nullák száma z2 = bq1 /2c + bq2 /2c.

z1 és z2 különbsége legfeljebb 2. Ez a különbség pontosan akkor kettő,

ha q1 és q2 is páratlan. Egyébként a különbség legfeljebb 1. Tegyük fel, hogy |z1 − z2 | = 2 (a többi eset hasonló). Most L1 -ben kettővel több

nulla van. Amikor ezeket a harmadik lépésben összekeverjük, akkor L

elején nullák vannak, azután 1,0, majd egyesek. A rendezetlen (piszkos) rész csak az 1,0. Amikor a harmadik lépésben az utolsó összehasonlítás

92


és csere megtörténik, az egész sorozat rendezetté válik.

2.9. tétel (összefésülés O(lg m) lépéssel). A

Páros-páratlan-ösz-

szefésül algoritmus két m hosszúságú kulcssorozatot 2m EREW PRAM processzoron Θ(lg m) idő alatt fésül össze. Bizonyítás. Legyen az algoritmus lépésszáma M (n). Az 1. lépés O(1) ideig tart. A 2. lépés

m 2

ideig tart. Innen az

m + O(1) M (m) = M 2

(2.7)

rekurzív egyenlőséget kapjuk, melynek megoldása M (m) = O(lg m).

2.2.3. Munkaoptimális algoritmus Most d2m/ lg me processzoron O(lg m) lépéssel végezzük az összefésülést. Ez az Optimálisan-összefésül algoritmus az eredeti problémát Θ(m/ lg m) részre osztja úgy, hogy mindegyikben O(lg m) hosszúságú rendezett sorozatokat kell összefésülni. Ezek a részproblémák soros algoritmussal O(lg m) lépéssel megoldhatók. Legyen X1 = hx1 , x2 , . . . , xm i és X2 = hxm+1 , xm+2 , . . . , xm+m i a

két bemenő sorozat. Osszuk X1 -et d lgmm e részre: ekkor mindegyikben

legfeljebb dlg me kulcs lesz. A részek legyenek A1 , A2 , . . . , AM , ahol M = m . lg m

Az Ai -beli legnagyobb kulcs legyen li (i = 1, 2, . . . , M ). Rendeljünk

egy-egy processzort ezekhez az li elemekhez. Ezek a processzorok bináris kiválasztással meghatározzák li X2 -beli (rendezés szerinti) helyét. Ezek a helyek felbontják X2 -t M részre (ezek között üres részek is lehetnek – lásd a következő 2.6. ábrát). Jelöljük ezeket a részeket B1 , B2 , . . . , BM mel. Bi -t az Ai -nek X2 -ben megfelelő részhalmaznak nevezzük.

2.2. Összefésülés B1

93 B2

B3

BM X2

X1 A1

A2

A3

AM

2.6. ábra. Munkaoptimális összefésülő algoritmus.

Ekkor X1 és X2 összefésülését megkaphatjuk úgy, hogy rendre összefésüljük A1 -et B1 -gyel, A2 -t B2 -vel és így tovább, majd ezeket a sorozatokat egyesítjük. 2.10. tétel. Az Optimálisan-összefésül két m hosszúságú rendezett kulcssorozatot d lg2mm e CREW PRAM processzoron Θ(lg m) lépésben fé-

sül össze.

Bizonyítás. Az előző algoritmust alkalmazzuk. Az Ai részek hossza lg m, a Bi részek hossza azonban nagy is lehet. Ezért még egyszer alkalmazzuk a felbontást. Legyen Ai , Bi tetszőleges pár. Ha |Bi | = O(lg m),

akkor Ai és Bi egy processzoron O(lg m) lépésben alatt összefésülhető. Ha viszont |Bi | = ω(lg m), akkor osszuk Bi -t

|Bi | lg m

részre – ekkor min-

den rész legfeljebb lg m egymást követő kulcsot tartalmaz. Mindegyik részhez rendeljünk egy processzort, és az keresse meg az ennek a sorozatnak megfelelő részhalmazt Ai -ben: ehhez O(lg lg m) lépés elegendő. Így Ai és Bi összefésülése

|Bi | lg m

részproblémára redukálható, ahol minden

részprobléma két O(lg m) hosszúságú sorozat összefésülése. A felhasznált processzorok száma m/ lg m + M , és ez legfeljebb 2M.

PM

i=1

d|Bi |/ lg me, ami legfeljebb

94


2.2.4. Egy O(lg lg m) idejű algoritmus Ha az előző algoritmust kiegészítjük az oszd meg és uralkodj elvvel, akkor √ még gyorsabb algoritmust kapunk. Legyen m = b. Gyorsan-összefésül(X1 , X2 )


Számítási modell: CREW PRAM Bemenet: X1 és X2 Kimenet: Y 01 Bontsuk fel X1 -et b részre: ekkor minden részben b elem lesz. Legyen Ai -ben a legnagyobb kulcs li (i = 1, 2, . . . , b). Minden li -hez rendeljünk bprocesszort. Ezek a processzorok b-áris keresést végeznek X2 -ben, hogy megtalálják li X2 -beli helyét. Ezzel X2 b részre való felbontását kapjuk: legyenek ezek a részek B1, B2 , . . . , Bb . A Bi részhalmaz az Ai -nek X2 -ben megfelelő részhalmaz. 02 Most X1 és X2 összefésüléséhez elegendő Ai és Bi (i = 1, 2, . . . , b) összefésülése. Az Ai -k mérete adott, viszont a Bi -k nagyon nagyok (és nagyon kicsik) is lehetnek. Ezért újra felbontunk. 03 return Y Legyen Ai és Bi tetszőleges pár. Ha |Bi | = O(b), akkor a két sorozat

O(1) lépésben összefésülhető b-áris kereséssel. Ha viszont |Bi | = ω(b), akkor Bi -t

l

|Bi | b

m

részre osztjuk, ahol Bi -nek minden részben legfeljebb

b egymást követő eleme van. Rendeljünk minden részhez b processzort, hogy megtalálják az ehhez a halmazhoz tartozó részhalmazt Ai -ben: ehhez O(1) lépés elég. Így Ai és Bi összefésülésének problémája

l

|Bi | b

m

részproblémára redukálható, ahol minden részprobléma két O(b) hosszúságú sorozat összefésülése. A felhasznált processzorok száma

Pb

i=1

bd|Bi |/be, ami legfeljebb 2m.


95

2.11. tétel (összefésülés Θ(lg lg m) lépésben). A

Gyorsan-össze-

fésül algoritmus két m hosszúságú rendezett kulcssorozatot Θ(lg lg m) lépésben fésül össze 2m CREW PRAM processzoron. Bizonyítás. Legyen X1 és X2 a két adott sorozat. Legyenek a kulc√ sok különbözők és legyen m = b. Az algoritmus a feladatot N ≤ 2b részfeladatra redukálja, melyek mindegyike két O(b) hosszúságú ren-

dezett sorozat összefésülése. A redukció m processzoron O(1) lépésben elvégezhető. Ha az algoritmus lépésszáma 2m processzoron T (m), akkor T (m) kielégíti a √ T (m) = T (Θ( m)) + Θ(1), T (2) = c1

(2.8)

rekurzív egyenletet, melynek megoldása Θ(lg lg m). Ennek belátásához a helyettesítéses módszert alkalmazzuk. Tegyük fel, hogy sejtésünk minden, egy adott m0 küszöbszámnál kisebb m-re teljesül. Ekkor ha m < m0 , akkor √ √ T ( m ≤ c2 lg lg m .

(2.9)

√ Ebből és a 2.8 egyenletből következő T (m) ≤ T (Θ( m)) + c3 egyen-

lőtlenségből a c2 = 2 max(c1 , c3 ) jelöléssel következik, hogy T (m) ≤ c2 l lg lg

√

m + c3 ≤ c2 lg lg m + c3 lg lg m ≤

(2.10)

Ez az algoritmus nem munkaoptimális, bár Θ(m)/Θ(lg lg m) = Θ(m/ lg lg m) gyorsítása nagyon közel van m-hez. Hatékonysága csak Θ(1/ lg lg m). Ugyanakkor munkahatékony.



2.3. Kiválasztás Adott n ≥ 2 kulcs és egy i (1 ≤ i ≤ n) egész szám. A feladat az i-edik

legkisebb kulcs kiválasztása. Mivel a kiválasztáshoz minden elemet meg kell vizsgálni, ezért N (n) = Ω(n). Erre a feladatra ismert olyan A

soros algoritmus, amelyikre W (n, A) = O(n), tehát A aszimptotikusan optimális.

Ehhez hasonló a keresési feladat, amelyben azt kell eldönteni, hogy adott elem előfordul-e a vizsgált sorozatban – és ha igen, milyen indexszel. Ennél a feladatnál tagadó válasz is lehetséges és egy elemről tulajdonságai alapján eldönthető, megfelel-e a keresési feladatnak. Először 3 speciális esetet vizsgálunk, majd egy nagy valószínűséggel munkaoptimális véletlenített algoritmust ismertetünk. 2.3.1. Kiválasztás n2 processzoron Legyen i = n, azaz a legnagyobb kulcsot keressük. Ez a feladat a következő Négyzetes-kiválaszt algoritmussal n2 CRCW processzoron O(1) lépéssel elvégezhető. Négyzetes-kiválaszt(K, y)


Számítási modell: CRCW PRAM Bemenet: k = k1 , k2 , . . . , kn (n különböző kulcs) Kimenet: y (a maximális kulcs értéke) 01 if n = 1 02 03

then y ← k1

return y

04 Pij in parallel for i ← 1 to n, j ← 1 to n számítsa ki az xij = ki < kj értéket

05 Az n2 processzort n csoportba (G1 , . . . , Gn ) osztjuk úgy, hogy a Gi csoportba a Pi,1 , . . . , Pi,n processzorok kerüljenek.

2.3. Kiválasztás

97

Mindegyik csoport logikai vagy műveletet végez az xi1 , . . . , xin

logikai változókkal. 06 Ha a Gi csoport számítási eredménye az 5. lépésb akkor a csoport Pi1 processzora megadja (y = ki )-t kimenetként. 07 return y

Legyenek a bemenő adatok k1 , . . . , kn . Az összehasonlításokat párhuzamosan végezzük a Pij (1 ≤ i, j ≤ n) processzorokon úgy, hogy Pij az

xij = (ki < kj ) logikai értéket számítja ki. Feltehetjük, hogy a kulcsok különbözőek. Ha mégse, ki helyett a (ki , i) párt alkalmazva különbözővé tehetők: ehhez minden kulcshoz egy (lg n)-bites számot kell hozzáadni. Ekkor egyetlen olyan kulcs van, amelyikre minden összehasonlítás eredménye hamis. Ez a kulcs egy logikai vagy művelettel azonosítható. 2.12. tétel (kiválasztás Θ(1) idő alatt). A Négyzetes-kiválaszt algoritmus n kulcs közül a maximálisat Θ(1) lépéssel tározza meg n2 CRCW közös PRAM processzoron. Bizonyítás. A negyedik és a hatodik lépés egységnyi ideig, az ötödik lépés pedig Θ(1) ideig tart. Ennek az algoritmusnak a relatív sebessége Θ(n). Az elvégzett munka Θ(n2 ). Ezért a hatékonyság Θ(n)/n2 ) = Θ(1/n). Tehát az algoritmus nem munkahatékony. 2.3.2. Kiválasztás p processzoron Most megmutatjuk, hogy a maximális elem p közös CRCW processzoron O(lg lg p) lépéssel meghatározható. A technika az oszd-meg-és-uralkodj. Az egyszerűség kedvéért feltesszük, hogy p négyzetszám. Legyenek a bemenő adatok X = hk1 , k2 , . . . , kp i. Legyen az algorit√ musunk lépésszáma T (p). A bemenő adatokat p = a csoportra osztjuk

98


úgy, hogy minden csoportban a elem legyen. Minden csoporthoz rendeljünk a processzort – ekkor a csoportok maximális eleme párhuzamosan számítható. Mivel csoportonként a elem és ugyanannyi processzor van, a csoport maximális eleme T (a) lépéssel meghatározható. Legyenek M1 , M2 , . . . , Ma a csoportok maximális elemei. Ezek maximuma lesz az algoritmus kimenete. Mivel most csak a elemünk van, az összes processzort alkalmazhatjuk. A következő CRCW algoritmus O(lg lg p) lépést tesz. Gyökös-kiválaszt(X, p)


Számítási modell: CRCW PRAM Bemenet: hk1 , k2 , . . . , kp i (p különböző kulcs) Kimenet: y (a maximális kulcs értéke) 01 if p = 1 02 03

then y ← k1

return y

04 Osszuk a bemenetet a részre (K1 , K2 , . . . , Ka ) úgy, hogy Ki a k(i−1)a+1 , k(i−1)a+2 , . . . , kia elemeket tartalmazza. Hasonlóképpen csoportosítsuk a processzorokat úgy, hogy a Qi (1 ≤ i ≤ a) csoportba a P(i−1)a+1 , P(i−1)a+2 , . . . , Pia

processzorok tartozzanak. A Qi csoport rekurzívan határozza meg a Ki csoport maximális elemét. 05 Ha a csoportok maximális elemei M1 , M2 , . . . , Ma , ezek maximumát határozzuk meg az előző Négyzetes-kiválaszt algoritmussal és ez lesz az eredmény. 06 return y 2.13. tétel (kiválasztás Θ(lg lg p) lépéssel). A Gyökös-kiválaszt algoritmus p közös CRCW PRAM processzoron Θ(lg lg p) idő alatt ha-

2.3. Kiválasztás

99

tározza meg p kulcs közül a legnagyobbat. √ Bizonyítás. Ennek az algoritmusnak az első lépése T ( p), második lépése Θ(1) ideig tart. Ezért T (p) kielégíti a √ T (p) = T ( p) + Θ(1)

(2.11)

rekurzív egyenletet, melynek megoldása Θ(lg lg p). A Gyökös-kiválaszt algoritmus összes munkája Θ(p lg lg p), ezért hatékonysága (Θ(p)/Θ(p lg lg p) = Θ(1/ lg lg p), így ez az algoritmus sem munkaoptimális, de munkahatékony. 2.3.3. Kiválasztás egész számok között Legyen a feladat ismét n kulcs maximumának meghatározása. Ha a kulcsok egyetlen bitből állnak, akkor a maximum keresése visszavezethető a logikai VAGY műveletre és ezért O(1) lépéssel meghatározható. Ebből adódik a kérdés: mekkora intervallumban lehetnek a kulcsok ahhoz, hogy p processzoron konstans idő alatt meg tudjuk határozni a maximális elemet? Legyen c adott konstans, a kulcsok pedig legyenek a [0, nc ] intervallumban. Ekkor a kulcsok legfeljebb c lg n bites bináris számok. Az egyszerűség kedvéért feltesszük, hogy pontosan ennyi bitesek (a számok elejére szükség esetén nullákat írunk). A következő CRCW algoritmus Θ(1) lépést tesz. Az alapötlet az, hogy a számok b1 , b2 , . . . , b2c bitjeit

lg n 2

hosszúságú

részekre bontjuk. Az i-edik rész a b(i−1)+1 , b(i−1)+2 , . . . , b(i−1)+b(i−1)+(lg n)/2 biteket tartalmazza, a részek száma 2c. Ezt a helyzetet mutatja a 2.7. ábra: először az ábra első oszlopában lévő bitek alapján keressük a maximális kulcsot. Egészet-kiválaszt(X, n)


100


lg n 2

bit

lg n 2

bit

lg n 2

bit k1

k2

kn

2.7. ábra. Maximális egész szám kiválasztása.

Számítási modell: CRCW PRAM Bemenet: X = k1 , k2 , . . . , kp (p különböző kulcs – egész számok) Kimenet: y (a maximális kulcs értéke) 01 for i ← 1 to 2c 02

do Határozzuk meg a megmaradt kulcsok maximumát i-edik részük alapján. Legyen a maximum M . Hagyjuk el

03

azokat a kulcsokat, melyek i-edik része kisebb, mint M .

04 y legyen a megmaradt kulcsok egyike 05 return y

2.14. tétel (kiválasztás egész számok közül). Ha a kulcsok a [0, nc ] intervallumból vett egész számok, akkor az Egészet-kiválaszt algoritmus p kulcs közül a maximálisat Θ(1) idő alatt határozza meg p CRCW PRAM processzoron tetszőleges c konstans esetében.

2.3. Kiválasztás

101

Bizonyítás. Tegyük fel, hogy a kulcsok maximumát a

lg n 2

legfontosabb

bit alapján határozzuk meg. Legyen az első részben a maximum M . Ekkor azok a kulcsok, melyek legfontosabb bitjei nem M -et adnak, biztosan nem maximálisak. Ezt az alaplépést megismételjük 2c-szer, azaz minden (lg p)/2 bitre pontosan egyszer. Legalább egy kulcs megmarad az utolsó lépés után is – az lesz az eredmény. Az utolsó rész lehet rövidebb, mint (lg p)/2 bit. √

Ha egy kulcs legfeljebb (lg n)/2 bites, akkor az értéke legfeljebb √ n−1. Ezért az Egészet-kiválaszt első lépésében a [0, n−1] inter-

vallumba eső egész kulcsok maximumát kell meghatározni. Rendeljünk √ minden kulcshoz egy processzort és használjunk n közös memóriarekeszt (M1 , M2 , . . . , M√n−1 ), melyek tartalma kezdetben −∞. Egy

párhuzamos lépésben a Pi processzor ki -t ír az Mki memóriarekeszbe. √ Ezután az n kulcs maximuma a n memóriarekesz tartalmából n processzorral a 2.9. tétel alapján konstans idő alatt meghatározható.

2.3.4. Az általános kiválasztási feladat Tegyük fel, hogy az X = hk1 , k2 , . . . , kn i sorozat különböző kulcsokat

tartalmaz és az i-edik legkisebb kulcsot akarjuk kiválasztani. Legyen most az xi kulcs rangja eggyel nagyobb, mint a nála kisebb kulcsok száma (ez a definíció eggyel nagyobb értéket ad, mint a korábban használt). Ezt a rangot a 2-5. gyakorlat szerint

n log n

CREW PRAM process-

zoron bármely kulcsra O(lg n) lépésben meg tudjuk határozni. Ha n2 / lg n processzorunk van, akkor azokat C1 , C2 , . . . , Cn csoportokba oszthatjuk úgy, hogy minden csoportban n/ lg n processzor legyen. A Cj (1 ≤ j ≤ n) csoport O(lg n) lépésben meghatározza a kj

kulcs rangját X-ben. Annak a csoportnak egyik processzora, amelyik

102


az i rangot határozta meg, adja a kimenetet. Az így kapott algoritmus neve legyen Ált-kiválaszt. 2.15. tétel (általános kiválasztás). Az

Ált-kiválaszt

algoritmus

n2 / lg n processzoron n különböző kulcs közül Θ(lg n) lépésben meghatározza az i-edik legkisebbet. Nem nehéz belátni, hogy az Ált-kiválaszt algoritmus munkája Θ(n2 ), tehát ez az algoritmus sem munkaoptimális. 2.3.5. Munkaoptimális véletlenített algoritmus (?) Ebben a pontban n/ log n közös CRCW processzort alkalmazunk arra, hogy O(lg n) lépésben megoldjuk az i-edik legkisebb elem kiválasztását. A Vél-kiválaszt algoritmus a bemenő kulcsok X = k1 , k2 , . . . , kn sorozatából kiválaszt egy n1− méretű S mintát és S két elemét elválasztó elemként. Például = 0.6 megfelelő érték. Legyen e1 és e2 a két elválasztó elem. Az elválasztó elemek olyanok lesznek, hogy a kiválasztandó elem nagy valószínűséggel a két elválasztó elem közé fog esni. Továbbá X-nek az elválasztó elemek közé kevés eleme √ esik: O(n(1+)/2 n). Ha már kiválasztottuk a két elválasztó elemet, X-et az X1 = {x ∈

X|x < e1 }, X2 = {x ∈ X|e1 ≤ x ≤ e2 } és X3 = {x ∈ X|x > e2 }

diszjunkt részekre bontjuk. A felbontás során meghatározzuk az egyes részek elemszámát. Ha |X1 | < i ≤ |X1 | + |X2 |, akkor a kiválasztandó elem X2 eleme. Ebben az esetben tovább megyünk, míg ellenkező esetben újra kezdjük. A mintavételezési és kiküszöbölési műveleteket addig ismételjük, amíg el nem érjük, hogy a megmaradó kulcsok száma legfeljebb n0.4 legyen. Ezután a megmaradó kulcsok közül az Ált-kiválaszt algoritmus segítségével végezzük el a kiválasztást.

2.3. Kiválasztás

103

Az algoritmus pszeudokódja a következő. A pszeudokódban a N munkaváltozó az élő kulcsok számát adja meg. Kezdetben legyen N = n és minden kulcs legyen élő. Minden processzorra lg n kulcs jut. A 3. és 6. lépésekben a koncentráció azt jelenti, hogy a megfelelő kulcsokat összegyűjtjük és a közös memória egymást követő rekeszeiben helyezzük el őket. Vél-kiválaszt(X, i, y, n)


Számítási modell: közös CRCW PRAM Bemenet: X = k1 , k2 , . . . , kp (p különböző kulcs) Kimenet: y (az i-edik legkisebb kulcs értéke) 01 N ← n

02 ← 0.6

03 while N > n1− 1 N

04

Minden élő kulcs

valószínűséggel kerül az M mintába.

05

Pj in parallel for j ← 1 to

n lg n

Pj meghatározza a minta q méretét és azt minden processzorhoz eljuttatja. Ha nem teljesül 0.5N 1− ≤ q ≤ 1.5N 1− ,

akkor folytatja a 01-es lépésnél. 06 07

Koncentráljuk és rendezzük a mintában lévő kulcsokat. √ iq Legyen e1 az M minta b N c − d q lg N és e2 a minta √ √ iq bN c + d q lg N rangú eleme, ahol d egy 3α-nál nagyobb

állandó. Szórjuk e1 és e2 értékét minden processzorhoz. 08

Számoljuk meg a [e1 , e2 ] intervallumba eső élő kulcsok I, valamint az e1 -nél kisebb kulcsok K számát. Minden processzorhoz juttassuk el ezt a két számot. √ Ha i ∈ / (I, I + K) vagy I 6= (N (1+)/2 N ,

akkor folytassuk az 1-es lépéssel – egyébként hagyjuk el az

e1 -nél kisebb és az e2 -nél nagyobb kulcsokat és


2. Párhuzamos gépek legyen i ← i − K és N ← I.

09 Koncentráljuk és rendezzük a mintában lévő kulcsokat. Határozzuk meg y értékét.

Nevezzük menetnek a while ciklus egyszeri lefutását. A minták száma minden menetben N és N − paraméterekkel rendelkező binomiális eloszlású. Ezért a mintákban lévő kulcsok számának várható értéke N − . A Csernov-egyenlőtlenség segítségével belátható, hogy |M | = O(N 1− ) .

(2.12)

Legyen M egy m elemű minta, amelyet egy n elemű X halmazból állítottunk elő. Legyen kiválaszt(j, M ) az M minta j-edik legkisebb eleme és rj = rang(kiválaszt(j, M ), X). Bizonyítás nélkül említjük a következő lemmát. 2.16. lemma. Minden α számra ! √ n n P |rj − j | > 3α √ √ < n−α . m m lg n

(2.13)

Ennek a lemmának a segítségével bizonyítható a következő állítás. 2.17. tétel. A Vél-kiválaszt algoritmus n/ lg n processzoron O(lg n) lépésben kiválasztja n különböző kulcs közül az i-edik legkisebbet. Ebből a tételből és a kiválasztás lineáris lépésigényéből következik, hogy a Vél-kiválaszt algoritmus nagy valószínűséggel munkaoptimális.

2.4. Rendezés Adott n ≥ 2 kulcs. A feladat ezek csökkenő vagy növekvő sorrendbe való rendezése.

2.4. Rendezés

105

Ismert, hogy ha a megengedett művelet a szokásos összehasonlítás, akkor minden A soros algoritmusnak N (n, A) = Ω(n lg n) lépésre van

szüksége, másrészt vannak O(n lg n) lépésszámú összehasonlítás alapú algoritmusok, amelyek tehát aszimptotikusan optimálisak. Más műveletek vagy a rendezendő kulcsok speciális tulajdonságai esetében a rendezés O(n) lépéssel is megoldható. Ha legrosszabb esetben minden kulcsot meg kell vizsgálni, akkor természetesen a lépésszám N (n) = Ω(n). Tehát mind az összehasonlítás alapú, mind pedig a speciális esetben ismert aszimptotikusan optimális soros algoritmus. Vizsgáljuk meg a következő kérdéseket. Hány rendező algoritmus van? Ezek közül hány egyszerű, hány optimális (aszimptotikusan, szigorúan)? Ezekre a kérdésekre nem könnyű válaszolni – például először pontosan definiálnunk kell, mi is az a rendező algoritmus. Szűkítsük a kérdést: hány összehasonlításra van szükség n elem rendezéséhez? jelöljük ezt a számot c(n)-nel. Ismert, hogy & n X i=1

'

lg i ≤ c(n) ≤

n X i=1

dlg ie

(2.14)

és hogy c(n) ≤ n lg n − (n − 1) .

(2.15)

Az alsó becslés döntési fákkal vagy információelméleti eszközökkel igazolható (lásd az alsó korlátokról szóló ??. alfejezetet), a felső becslések pedig a bináris beszúró, illetve az összefésüléses rendező jellemző adatai. 4 elemre az alsó és a felső becslések egyaránt ötöt adnak. 5 elemre 5! = 120 miatt az alsó becslés 7, viszont az előbbi algoritmusoknak 8 összehasonlításra van szüksége. n2 processzoron a kulcsok rangja O(lg n) lépéssel meghatározható.

106


Ha a rangokat ismerjük, akkor a rendezés egy párhuzamos írással megoldható. Tehát igaz a következő tétel. 2.18. tétel (rendezés O(lg n) lépésben). n kulcs n2 CRCW PRAM processzoron rendezhető O(lg n) lépéssel. Mivel a kulcsok meghatározása Ω(lg n) ideig tart, ez a módszer Θ(n2 lg n) munkát igényel, azaz nem munkahatékony. 2.4.1. Páros-páratlan algoritmus Ez az algoritmus a klasszikus oszd meg és uralkodj elvet alkalmazza. Az egyszerűség kedvéért legyen n kettő hatványa és a kulcsok legyenek különbözők. A következő EREW PRAM algoritmus O(lg2 n) lépést tesz. Páros-páratlan-rendez(X)


Számítási modell: EREW PRAM Bemenet: X (a rendezendő kulcsok) Kimenet: Y (a rendezett kulcsok) 01 if n = 1 02 03

then Y ← X

return Y

04 if n > 1 05

then Osszuk az X bemenetet két részre: ezek legyenek X10 = k1 , k2 , . . . , kn/2 és X20 = kn/2+1 , kn/2+2 , . . . , kn .

06

Rendezze

n 2

processzor rekurzívan X10 -t.

Az eredmény legyen X1 . Ugyanakkor rendezze n 2

07

processzor rekurzívan X20 -t.

Az eredmény legyen X2 . Fésüljük össze X1 -et

2.4. Rendezés

107 és X2 -t 2m processzoron a Páratlan-páros-összefésül algoritmussal.

08 return Y Ez az algoritmus hasonlít a soros összefésüléses algoritmusra. Ott azonban a sorozatok legkisebb elemeit hasonlítjuk össze és a kisebb elem az összehasonlítás eredménye. 2.19. tétel (rendezés Θ(lg2 n) lépéssel). A Páros-páratlan algoritmus n kulcsot n EREW PRAM processzoron Θ(lg2 n) lépéssel rendez. Bizonyítás. Legyen T (n) az algoritmus lépésszáma. Az 1. lépés Θ(1) ideig tart, a 2. lépés T ( n2 ) ideig, a 3. lépés pedig Θ(lg n) ideig. Ezért T (n) kielégíti a T (n) = Θ(1) + T

n + Θ(lg n) 2

(2.16)

rekurzív egyenlőséget, melynek megoldása T (n) = Θ(lg2 n).

2.7. példa. Rendezés 16 processzorral. Rendezzük 16 processzoron a következő számokat: 25, 21, 8, 5, 2, 13, 11, 16, 23, 31, 9, 4, 18, 12, 27, 34. Az első lépésben az első 8 processzor az X10 = h25, 21, 8, 5, 2, 13, 11, 16i-öt, a má-

sodik 8 processzor pedig az X2 = h4, 9, 12, 18, 23, 27, 31, 34i sorozatot kapja. A második lépésben az első 8 processzor rekurzívan rendezi X10 -t és az X1 =

2, 5, 8, 11, 13, 16, 21, 25 sorozatot kapja. Ezalatt a második 8 processzor előállítja az X2 = 4, 9, 12, 18, 23, 27, 31, 34sorozatot. összefésüléssel kapjuk a rendezett Y -t.

Ez az algoritmus Θ(n lg2 n) munkát végez. Hatékonysága Θ( lg1n ), gyorsítása Θ

n lg n

.

108


2.4.2. Egy véletlenített algoritmus (?) Az O(lg2 n) lépésszám véletlenített algoritmussal is elérhető. 2.20. tétel (rendezés O(lg2 n) lépéssel). n kulcs n CREW PRAM processzoron rendezhető O(lg2 n) lépéssel. Bizonyítás. Ismert, hogy n elem közül n/ lg n processzoron a kiválasztás O(lg n) lépéssel megoldható. Legyen n processzorunk. Ekkor n adott kulcs k mediánja O(lg n) lépéssel megtalálható. Osszuk X-et 2 részre: X1 tartalmazza a k-nál nem nagyobb kulcsokat, X2 pedig a többi kulc0

0

sot. Az X1 és X2 részeket rekurzívan rendezzük n/2 processzoron, majd 0

0

az eredményeket láncoljuk össze. Ha a rendezés ideje T (n), akkor T (n) = T

n + O(lg n) , 2

(2.17)

melynek megoldása T (n) = O(lg2 n).

2.4.3. Preparata algoritmusa Több processzorral a lépésszám csökkenthető: Preparata algoritmusa n lg n CREW PRAM processzoron Θ(lg n) párhuzamos lépést végez. Preparata(X)


Számítási modell: CREW PRAM Bemenet: X (rendezendő kulcsok) Kimenet: Y (rendezett kulcsok) 01 if n ≤ 20 02

then rendezzük az x bemenetet tetszőleges

2.4. Rendezés

109

rendező algoritmussal 03

return Y

04 Osszuk az adott n kulcsot lg n részre úgy, hogy mindegyikben

n lg n

kulcs legyen. Rendezzük a részeket külön, rekurzívan, mindegyik részhez n processzort rendelve. A rendezett sorozatok legyenek 05

S1 , S2 , . . . , Slg n .

06 Fésüljük össze Si -t és Sj -t (1 ≤ i, j ≤ lg n) párhuzamosan.

07 Rendeljünk lg n processzort a kulcsok eredeti sorozatra vonatkozó rangjának meghatározásához. Végül a kulcsok a 08

rangok sorrendjében sorrendjében adják a kimenetet.

09 return Y Ez az algoritmus oszd meg és uralkodj elvű. A kulcssorozatot lg n részre osztjuk, majd a részeket páronként összefésülve minden kulcsnak minden részre nézve meghatározzuk a rangját. Ezután a kulcsok tényleges rangja az előbbi rangok összege. Ha az ötödik lépésben minden (Si , Sj ) párhoz n/ lg n processzort rendelünk, akkor az összefésülés Θ(lg lg n) lépéssel elvégezhető. A hatodik lépésben a rang számítása párhuzamosan végezhető az ötödik lépésben kapott lg n rang összeadásával: ezt a prefixet számító Optimális-prefix algoritmus Θ(lg lg n) lépéssel oldja meg. 2.21. tétel (rendezés Θ(lg n) lépéssel). A Preparata algoritmus n elemet n lg n CREW PRAM processzoron Θ(lg n) lépésben rendez. Bizonyítás. Legyen a Preparata-algoritmus futási ideje T (n). A negyedik lépés időigénye T (n/ lg n), az ötödik és a hatodik lépésé együtt Θ(lg lg n). Ezért T (n) = T

!

n + Θ(lg lg n) . lg n

(2.18)

110


melynek megoldása (helyettesítéses módszerrel) T (n) = Θ(lg n). Ehhez tegyük fel, hogy (2.18) mellett T (2) = c1 . A (2.18) képletből következik, hogy T (n) = T

!

n + O(lg lg n), lg n

(2.19)

azaz van olyan c2 pozitív konstans és n1 küszöbszám, hogy ha n ≥ n1 , akkor

T (n) ≤ T

!

n + c2 lg lg n. lg n

(2.20)

Indukciós feltételként tegyük fel, hogy van olyan n2 küszöbszám és c3 konstans, hogy ha n ≤ n2 , akkor T (n) ≤ c3 lg n .

(2.21)

Legyen most c4 = max(c1 , c2 , c3 ). Ekkor a (2.19) összefüggésből az indukciós feltétel felhasználásával adódik, hogy T (n) ≤ T

!

n + c2 lg lg n ≤ c3 lgn − lg lg n + c2 n. lg n

(2.22)

Válasszuk meg c3 -at úgy, hogy c3 = max(c1 , c2 ). Ekkor a kezdeti feltételt is ki tudjuk elégíteni.

A lassulásra vonatkozó tétel segítségével kapjuk a következő állítást. 2.22. következmény (rendezés

n lg n t

processzoron). Tetszőleges

t ≥ 1 egész számra n tetszőleges kulcs rendezhető O(t lg n) lépésben

n lg n t

CREW PRAM processzoron.

A Preparata-algoritmus munkája ugyanannyi, mint a páros-páratlan rendező algoritmusé, viszont a gyorsítása jobb: Θ(n). Mindkét algoritmus hatékonysága Θ(1/ lg n).

2.4. Rendezés

111

2.4.4. Reischuk véletlenített algoritmusa (?) Reischuk algoritmusa n processzoron O(lg n) párhuzamos lépést tesz, azaz nagy valószínűséggel munkahatékony. Alapja Preparata algoritmusa és a következő tétel.

2.23. tétel (Korlátos egészek rendezése.). Ha

n

kulcs

mindegyike

[0, n(lg n)c ] intervallumból vett egész szám (ahol c tetszőleges konstans), akkor ezek a kulcsok

n lg n

CREW PRAM processzoron rendezhetők

O(lg n) lépésben. Az algoritmus a következő. Reischuk(X)


Számítási modell: CREW PRAM Bemenet: X (rendezendő kulcsok) Kimenet: Y (rendezett kulcsok) 01 Legyen X = k1 , k2 , . . . , kn a rendezendő kulcssorozat. N=

n lg4 n

processzor mindegyike véletlenül kiválaszt egy kulcsot.

02 Rendezzük az N kiválasztott kulcsot Preparata algoritmusával. Az eredmény legyen l1 , l2 , . . . , lN . 03 Legyen K1 = {k ∈ X|k ≤ l1 };

Ki = {k ∈ X|li−1 < k ≤ li }, i = 2, 3, . . . , N ;

és KN +1 = {k ∈ X|k > lN }. Párhuzamos bináris kiválasztással bontsuk fel X-et Ki részekre.

04 Rendezzük a Ki részeket a Preparata algoritmussal. 05 Legyen Y a rendezett K1 , rendezett K2 , . . ., rendezett KN +1 . 06 return Y

112


2.24. tétel (tetszőleges kulcsok gyors rendezése). A Reischuk algoritmus n tetszőleges kulcsot n CREW PRAM processzoron O(lg n) lépésben rendez.

Bizonyítás. Reischuk algoritmusa szerint véletlenül kiválasztunk N = n/ lg4 n kulcsot és ezeket Preparata algoritmusával rendezzük. Ez a rendezett minta az eredeti sorozatot N +1 – közel azonos hosszúságú – részsorozatra bontja, melyeket Preparata algoritmusával rendezünk: ezek a rendezett részsorozatok a megfelelő sorrendben véve megadják az eredményt. A Reischuk algoritmus második lépése N lg N ≤ N lg n process-

zoron O(lg N ) = O(lg n) idő alatt elvégezhető.

A harmadik lépésben X felbontását bináris kereséssel és az egészeket rendező algoritmussal végezzük: minden kulcshoz tartozik egy processzor, amely az l1 , l2 , . . . , lN sorozatban végzett bináris kereséssel megadja, hogy az adott kulcs a Ki részhalmazok melyikéhez tartozik. Mivel a részek sorszámai a [0, N + 1] intervallumból vett egészek, az előző tétel alapján legfeljebb n processzoron O(lg n) lépéssel rendezhetők. A Ki (1 ≤ i ≤ N ) részekben nagy valószínűséggel nem lesz több elem, mint O(lg5 n). Ugyanennyi processzoron és lépéssel a |Ki | elemszámokat is meg tudjuk határozni minden részre.

A negyedik lépésben minden Ki rész rendezhető |Ki | lg |Ki | process-

zoron lg |Ki | lépéssel. Ezért a negyedik lépés n processzoron (max lg |Ki |)2 ) i

(2.23)

lépéssel elvégezhető. Ha maxi |Ki | = O(lg5 n), akkor a negyedik lépés O((lg lg n)2 ) lépéssel elvégezhető.

 Vissza a tartalomhoz 2.5. Gráfalgoritmusok

113

2.5. Gráfalgoritmusok Legyen M egy n × n méretű mátrix, amelynek az elemei nemnegatív ∼

egész számok. Az M mátrixot M minmátrixának nevezzük és a következőképpen definiáljuk: ∼

M (i, i) = 0 (1 ≤ i ≤ n)

(2.24)

és ∼

M (i, j) = min{Mi0 i1 + Mi1 i2 + . . . + Mik−1 ik } (i 6= j) ,

(2.25)

ahol a minimumot az olyan – az {1, 2, . . . , n} halmaz elemeiből képezett

– i0 , i1 , . . . , ik permutációkra nézve képezzük, amelyekre i0 = i és ik = j. Legyen G egy irányítatlan gráf, amelynek n csúcsa van. Ennek reflexív tranzitív lezártját A∗ -gal jelöljük és úgy definiáljuk, hogy ha i = j

vagy Vi és Vj G-nek ugyanahhoz az összefüggő komponenséhez tartoznak, akkor A∗ (i, j) = 1, egyébként A∗ (i, j) = 0. 2.8. példa. Irányított gráf és minmátrixa. Legyen G(V, E) egy irányított gráf, melynek csúcsait az 1, 2, . . . , n számokkal címkézzük. Legyen M [i, j] = 0, ha i = j vagy a gráf tartalmaz i-ből j-be vezető élet. Egyébként M [i, j] ∼

legyen 1. Ekkor M (i, j) pontosan akkor nulla, amikor van az i csúcsból a j csúcsba vezető út. A 2.8. ábra egy 6 csúcsú irányított gráfot, valamint a hozzá tartozó M mátrixot és annak minmátrixát ábrázolja.

2.5.1. Minmátrix Több – gráfokkal kapcsolatos – feladat megoldását megkönnyíti a minmátrixok felhasználása. A Minmátrix algoritmus meghatározza adott M mátrix minmátrixát. ∼

Minmátrix(M, M ))


114

2. Párhuzamos gépek 1

3 2

6

4 5

M 0

0

1

1

1

0

0

0

0

1

0

0

0

0

1

0

0

1

1

0

1

1

1

1

1

1

0

0

1

1

1

1

1

0

0

0

0

1

0

1

f M

0

0

0

0

0

0

0

1

0

1

1

1

1

1

0

0

1

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

∼

2.8. ábra. Egy gráf és annak M -je és M -je.

Számítási modell: CREW PRAM Bemenet: M (egy n × n méretű mátrix) ∼

Kimenet: M (az M mátrix minmátrixa)

01 Pij in parallel for i ← 1 to n, j ← 1 to n do m[i, j] ← M [i, j]

02 rendezzük az N kiválasztott kulcsot Preparata algoritmusával Az eredmény legyen l1 , l2 , . . . , lN . 03 for i ← 1 to n 04

05 06

do Pijk in parallel for (i, j, k) ← 1 to n q[i, j, k] ← m[i, j] + m[j, k]

Pij in parallel for (i, j) ← to n

2.5. Gráfalgoritmusok 07

115

do m[i, j] ← min{q[i, 1, j], q[i, 2, j], . . . , q[i, n, j]

08 Pi in parallel for i ← 1 to n ∼

do M (i, j) ← 0 09 Pij in parallel for (i, j) ← 1 to n ∼

do M (i, j) ← m(i, j)

Ezzel kapcsolatos a következő állítás. 2.25. tétel (minmátrix számítása). Ha tetszőleges pozitív szám, akkor a Min-mátrix algoritmus n3+ CRCW PRAM processzoron O(lg n) lépésben meghatározza egy n × n méretű mátrix minmátrixát. 2.5.2. Tranzitív lezárt A 2.25. tétel segítségével belátható a következő állítás. 2.26. tétel (tranzitív lezárt számítása). Ha tetszőleges pozitív szám, akkor n3+ CRCW PRAM processzoron O(lg n) lépésben meghatározható egy n csúcsú irányított gráf tranzitív lezártja. Bizonyítás. Ha M -et a 2.8. példa szerint definiáljuk, akkor egy G gráf tranzitív lezártja a minmátrix segítségével könnyen meghatározható.

2.5.3. Összefüggő komponensek Ugyancsak a 2.25. tétel segítségével bizonyíthatjuk a következő állítást.

2.27. tétel (összefüggő komponensek számítása). Ha tetszőleges pozitív szám, akkor n3+ CRCW PRAM processzoron O(lg n) idő alatt meghatározhatók egy n-csúcsú gráf összefüggő komponensei.



Bizonyítás. Legyen M [i, j] = 0, ha i = j vagy i és j össze vannak kötve egy éllel. Egyébként M [i, j] legyen 1. Az i és j csúcsok pontosan akkor ∼

vannak ugyanabban az összefüggő komponensben, ha M [i, j] = 0.

2.5.4. Minimális feszítőfa A soros Kruskal-algoritmus párhuzamosításával belátható a következő állítás. 2.28. tétel (minimális feszítőfa). Ha tetszőleges pozitív szám, akkor n5+ CRCW PRAM processzoron O(lg n) idő alatt meghatározható egy n-csúcsú élsúlyozott gráf minimális feszítőfája.

2.6. Párhuzamos ütemezés Párhuzamos rendszerekben gyakori, hogy több folyamatnak olyan erőforrásra van szüksége, amelyhez csak kölcsönös kizárással tudnak hozzáférni. Peter Winkler a következő matematikai modellt javasolta az ilyen párhuzamos folyamatok ütemezésére. Legyen n ≥ 1 and



B=

b11 b12 . . . b1n b21 b22 . . . b2n

 

olyan 2 × n méretű bináris mátrix, amelyben b1i (illetve b2i ) azt jelenti,

hogy a P1 (illetve P2 ) folyamatnak az i-edik (1 ≤ i ≤ n) időegységben

szüksége van az adott erőforrásra, míg b1 = 0 (illetve b2i = 0) azt jelzi, hogy a megfelelő folyamatnak az i-edik időegységben nincs szüksége az adott erőforrásra. A B mátrixot jónak nevezzük, ha b1i + b2i ≤ 1 minden 1 ≤ i ≤

n indexre teljesül. Adott B mátrix esetén ezen feltétel teljesülésének

2.6. Párhuzamos ütemezés

117

ellenőrzése O(n) idő alatt megoldható. Legyenek a B mátrix elemei valószínűségi változók, amelyek egymástól függetlenül p valószínűséggel veszik fel az 1 értéket. Ekkor annak valószínűsége, hogy a B mátrix egy realizációja ütemezhető lesz, P (p, n) = (1 − p)2n ), ami p > 0 esetén n növekedtével nullához tart. Peter Winkler javasolta, hogy a következő transzformációval növeljük meg az ütemezhetőség valószínűségét: ha a B mátrix tetszőleges bji eleme 0, akkor az adott elem saját helyéről sorának végére kerül úgy, hogy a sor i-nél nagyobb második indexű elemeinek második indexe eggyel csökken. Ha például b1j = 0, akkor a B mátrix b11 b12 b1,j−1 0b1,j+1 · · · bn sora a b11 b12 b1,j−1 b1,j+1 · · · bn 0 sorrá transzformálható. Ez a művelet az általunk választott nullákra tetszőleges sorrendben végrehajtható. A B mátrixot ütemezhetőnek nevezzük, ha jó, vagy a fenti műveletsorozattal jóvá alakítható. Például a



B=

0 1 0 1

 

mátrix második oszopában az elemek összege 2, de a b11 elem mozgatásával átmegy a jó



B0 = 

mátrixba, tehát ütemezhető.

1 0 0 1

 

A B mátrix ütemezhetőségének természetesen elégséges feltétele,

118


hogy jó. Ha minden 1 ≤ k ≤ n indexre teljesül, hogy k X i=1

b1k + b2k ≤ k,

akkor a B mátrixot biztosnak nevezzük. A B mátrix ütemezhetőségének szükséges feltétele, hogy B biztos legyen. 2.6.1. A feladat megfogalmazása Legyan m és n pozitív egész, r (0 ≤ r ≤ m) és p (0 ≤ p ≤ 1) pedig legyenek valós számok.



z11

   z21 Z=   ... 



z12

. . . z1n

z22

 . . . z2n  

zm1 zm2 . . . zmn

   

legyen olyan kölcsönösen független valószínűségi változókat tartalmazó mátrix, melyek közös eloszlása  

P (zij = k) =  Legyen

ha k = 1 és 1 ≤ i ≤ m, 1 ≤ j ≤ n,

p, q = 1 − p, 

ha k = 0 és 1 ≤ i ≤ m, 1 ≤ j ≤ n.

a11

   a21 A=   ... 



a12

. . . a1n

a22

 . . . a2n  

am1 am2 . . . amn

a Z mátrix egy realizációja.

   

A jó, biztos és ütemezhető mátrixokat a következőképpen definiáljuk. Az A mátrix r-jó, ha az egyesek száma minden oszlopában legfeljebb r, azaz ha

m X

j=1

aij ≤ r


119

teljesül minden 1 ≤ i ≤ n indexre. Az m × n méretű r-jó mátrixok szá-

mát Gr (m, n)-nel jelöljük; annak valószínűségét pedig, hogy a Z mátrix jó, gr (m, n, p)-rel. Az A mátrix is r-biztos, ha az egyesen száma A minden k hosszú prefixében legfeljebb kr, azaz m X k X

i=1 j=1

aij ≤ kr

(k = 1, 2, . . . , n).

A különböző m × n méretű r-biztos mátrixok számát Sr (m, n)-rel,

annak valószínűségét pedig, hogy Z r-biztos, sr (m, n, p)-vel jelöljük.

Ha aij = 0, akkor aij törölhető A-ból. A törlés azt jelenti, hogy az ai,j+1 , . . . , aim elemek második indexét eggyel csökkentjük, az i-edik sor végéhez hozzáadunk egy aim = 0 elemet. Az A mátrixot Winkler szerint r-ütemezhetőnek (röviden rütemezhetőnek) nevezzük, ha a fenti törlések segítségével r-jó mátrixszá transzformálható. Az m × n méretű r-ütemezhető mátrixok számát

Wr (m, n)-vel, annak valószínűségét pedig, hogy Z r-ütemezhető, wr (m, n, p)vel jelöljük. A wr (m, n, p) függvényt r-ütemezhetőségi füügvénynek hívjuk. A gr (m, n, r), wr (m, n, r) és sr (m, n, r) függvényeket a megfelelő

mátrixok sűrűségfüggvényének hívjuk. A jó, biztos és ütemezhető mátrixok aszimptotikus sűrűségét a lim gr (m, n, p), gr (m, p) = n→∞ sr (m, p) = n→∞ lim sr (m, n, p), wr (m, p) = n→∞ lim wr (m, n, p). függvényekkel definiáljuk. A wcrit,r (m) = sup{p | wr (m, p) > 0},

120

2. Párhuzamos gépek gcrit,r (m) = sup{p | gr (m, p) > 0},

és scrit,r (m) = sup{p | sr (m, p) > 0} módon definiált kritikus sűrűségek bizonyos alkalmazásokban különösen fontosak. Célunk a jó, biztos és ütemezhető mátrixok sűrűségének, aszimptotikus sűrűségének és kritikus valószínűségének jellemzése. A kiindulópont az, hogy Gács Péter bebizonyította, hogy w1 (2, p) elég kis p-re pozitív. Bizonyítása szerint wcrit,1 (2) ≥ 10−400 . 2.6.2. A feladat értelmezése Bár a Winkler-modell eredetileg a perkoláció nevű fizikai jelenség leírására született, jól használható párhuzamos folyamatok ütemezésének vizsgálatára is. feltesszük, hogy m folyamat olyan, kölcdsönös kizárást igénylő R erőforrást használ, amelyből r egységnyi áll a folyamatok rendelkezésére. A Pi folyamat igényét az ai1 , ai2 , . . . , aim sorozattal írjuk le. aij = 1 azt jelenti, hogy a Pi folyamatnak a j-edik időegységben egységnyi erőforrásra van szüksége; aij = 0 pedig azt jelenti, hogy a Pi folyamat a j-edik időegységben olyan háttértevékenységet folytat, amely elhalasztható a R erőforrás utolsó használata utánni időre. Az m = 1 és r = 1 speciális eset a jólismert jegyváltási vagy szavazási feladat, feladat, míg az m = 2 és r = 1 eset a perkoláció Winklermodellje. Érdemes megjegyezni, hogy például az adatátviteli csatornák leírásához a modell tovább általánosítható úgy, hogy tört mennyiségű erőforrás igénylését is megengedjük. A jó mátrixok nullák törlése nélkül ütemezhetők. A leírt transzformácóval bizonyos nem jó mátrixok is ütemezhetővé tehetők. A biztosság szükséges az ütemezhetőséghez. Ezért a jó mátrixok száma alsó, a biz-


121

tos mátrixok száma pedig felső korlátot ad az ütemezhető mátrixok számára. 2.6.3. Elemzéss Ebben a pontban az egyesek aszimptotikus sűrűségét vizsgáljuk, mint a p valószínűség és a folyamatok m számának függvényét. A vizsgált változók (n, m, r, és p) és függvények (gr (m, n, p), wr (m, n, p) és sr (m, n, p)) néhány alapvető tulajdonsága a következő: ha n ∈ N+ , r ∈ R és r ∈ [0, m], p ∈ R és p ∈ [0, 1];, akkor a gr .qwr és sr függvények • n függvényeként monoton csökkenőek; • p függvényeként monoton csökkenőek; • m függvényeként monoton csökkenőek; • r függvényeként monoton növekvőek. A továbbiakban feltesszük, hogy r = 1, azaz a jó mátrixok minden oszlopában legfeljebb egyetlen egyes fordulhat elő, és a biztos mátrixok első k oszlopában összesen legfeljebb k egyes leget (ahol 1 ≤ k ≤ n). Ezért a továbbiakban az r indexet elhagyjuk. 2.6.4. Előzetes eredmények Ebben a pontban néhány előkészítő állítást fogalmazunk meg. Legyen Cn (n ∈ N+ ) az olyan a1 , a2 , . . . , a2n bináris sorozatok száma,

n egyest és n nullát tartalmaznak úgy, hogy minden a1 , a2 , . . . , ak (1 ≤

k ≤ 2n) kezdőszelet legalább annyi egyest tartalmaz, mint ahány nullát. 2.29. lemma. Ha n ≥ 0, akkor

1 2n Cn = . n+1 n

Érdemes megjegyezni, hogy Cn az n-edik Catalan-szám.

122


2.30. lemma. Ha 0 ≤ x ≤ 1, akkor ∞ X

1 f (x) = x k=0 k + 1

!



 x , 2k (x(1 − x))k =  1−x k 1,

ha 0 ≤ x < 21 ,

ha

1 2

≤ x ≤ 1.

Ha m ≥ 2, akkor a csupa nullát tartalmazó oszlopokat fehéreknek

(W), a csak egyeseket tartalmazó oszlopokat feketéknek (B), a többi oszlopot pedig szürkének (G) nevezzük. Ha m ≥ 2, then az A mátrix minden oszlopa q m +mpq m−1 valószínűn

séggel fehér vagy szürke, ezért g(m, n, p) = (q m + mpq m−1 ) . Ha p > 0, then

g(m, p) = lim q m + pq m−1 m n→∞

n

= 0,

így a jó mátrixok sűrűsége nullához tart, ha az oszlopok száma tart a végtelenbe. 2.31. lemma. Ha m ≥ 2, akkor a jó mátrixok ütemezhetők, az ütemezhető mátrixok pedig biztosak.

Ennek a lemmának hasznos következménya az alábbi állítás. 2.32. következmény. Ha m ≥ 2, akkor g(m, n, p) ≤ w(m, n, p) ≤ s(m, n, p), g(m, p) ≤ w(m, p) ≤ s(m, p), gcrit (m) ≤ wcrit (m) ≤ scrit (m). 2.6.5. Fő eredmény 2.33. tétel. Ha m ≥ 2 és 0 ≤ p ≤ m, akkor 1 scrit (m) = . m és  i m P  p  1− m (i − 1), ha 0 ≤ p < m1 , i=2 1−p i s(m, p) =   0, ha m1 ≤ p ≤ 1.

(2.26)

(2.27)


123

Gyakorlatok 2.6-1. A globális memória M1 rekeszében van bizonyos adat. Másoljuk át ezt az adatot az M2 , M3 , . . . , Mn rekeszekbe. Mutassuk meg, hogyan lehet ezt megvalósítani O(lg n) lépéssel n EREW PRAM processzor felhasználásával. 2.6-2. Adjunk meg egy olyan algoritmust, amely n/ lg n EREW PRAM processzor felhasználásával O(lg n) lépéssel megoldja az előző gyakorlatot. 2.6-3. Legyen f (x) = an xn + an−1 xn−1 + · · · + a1 x + a0 . Adjunk O(1) idejű CREW PRAM algoritmust a polinom értékének adott x helyen való kiszámítására. Mennyi processzort igényel a javasolt algoritmus? 2.6-4. Adjunk meg egy O(lg lg n) idejű algoritmust, amely n/ lg lg n közös CRCW PRAM processzoron O(lg lg n) lépésben megadja n tetszőleges szám maximumát. 2.6-5. Legyen A egy n kulcsot tartalmazó tömb. Mutassuk meg, hogy n/ lg n CREW PRAM processzoron O(lg n) lépésben meghatározható tetszőleges k ∈ A kulcs rangja.

2.6-6. Tervezzünk egy O(1) lépésszámú algoritmust, amely n közös CRCW PRAM processzoron eldönti, hogy adott A[1 . . n] tömb elemei között előfordul-e az 5, és ha igen, megadja a legnagyobb olyan i indexet, amelyre A[i] = 5. 2.6-7. Tervezzünk algoritmust, amely n2 CREW PRAM processzoron O(1) lépésben összefésül két n hosszúságú rendezett sorozatot. 2.6-8. Határozzuk meg a fejezetben tárgyalt algoritmusok relatív sebességét, teljes futási idejét és hatékonyságát.

124


Feladatok

2-1. Közös elem Tervezzünk algoritmust annak eldöntésére, hogy adott A[1 . . n] és B[1 . . n] tömböknek van-e közös eleme: a. ha n2 CRCW PRAM processzorunk van, akkor O(1) lépésszámút; b. b. ha n CRCW PRAM processzorunk van, akkor O(1) lépésszámút.

2-2. Minimális feszítőfa Párhuzamosítsuk a minimális feszítőfák meghatározására szolgáló Kruskalalgoritmust és Prim-algoritmust. Tervezzünk algoritmust arra a speciális esetre, amikor az élek súlya csak 0 vagy 1 lehet. 2-3. Összes csúcspár távolsága Párhuzamosítsuk a gráfok összes csúcspárjának távolságát meghatározó Bellman–Ford-algoritmust. 2-4. Körmentesség Tervezzünk párhuzamos algoritmust annak eldöntésére, hogy adott irányítatlan gráf tartalmaz-e kört. Elemezzük a különböző nagyságrendű processzorszám esetében elérhető W (n, p, P) futási időket.


3. Rácsok

Ebben a fejezetben rácsokat (láncot, négyzetet és kockát) alkalmazunk számítási modellként.

3.1. Számítási modellek A k dimenziós (k ≥ 1) dimenziós rács egy olyan m1 × m2 × · · · × mk

(m1 , m2 , . . . , mk ≥ 2) méretű háló, amelynek minden egyes metszéspontjában van egy processzor. Az élek a kommunikációs vonalak,

melyek kétirányúak. A rács egy processzorát megcímkézzük egy (i1 , i2 , . . . , ik ) k-assal, – erre a processzorra a Pi1 ,...,ik jelöléssel hivatkozunk. Minden processzor egy RAM, amely rendelkezik saját (helyi) memóriával. A Pi1 ,...,ik processzor saját memóriája az M [i1 , . . . , ik , 1], M [i1 , . . . , ik , 2], . . . , M [i1 , . . . , ik , m] rekeszekből áll. Minden processzor végre tud hajtani egyetlen lépésben olyan alapvető műveleteket, mint az összeadás, kivonás, szorzás, összehasonlítás, saját memória elérése és így tovább. A processzorok működése szinkron módon történik, azaz minden processzor egy globális óra ütemére egyszerre hajtja végre az aktuális feladatát. A legegyszerűbb rács a k = 1 értékhez tartozó lánc alakú rács (röviden lánc).

126

3. Rácsok P1

P2

P3

P4

P5

P6

3.1. ábra. 6 processzoros lánc.

P1,1

P1,2

P1,3

P1,4

P2,1

P2,2

P2,3

P2,4

P3,1

P3,2

P3,3

P3,4

P4,1

P4,2

P4,3

P4,4

3.2. ábra. 4 × 4 méretű négyzet.

Egy 6 processzoros lánc látható a 3.1. ábrán. Egy lánc processzorai P1 , P2 , . . . , Pp . Ezek a következőképpen vannak összekötve. P1 és Pp kivételével mindegyik processzor össze van kötve a nála eggyel nagyobb (jobb szomszéd), illetve eggyel kisebb (bal szomszéd) indexűvel, míg a két szélső processzornak csak egy szomszédja van, P2 , illetve Pp−1 . Az összeköttetés kétirányú. √

Ha k = 2, akkor téglalap alakú rácsot kapunk. Ha most m1 = m2 = p = a, akkor a × a méretű négyzetet kapunk.

Egy 4 × 4 méretű négyzet látható a 3.2. ábrán.

Egy a × a méretű négyzet tartalmaz részgráfként számos a pro-

cesszoros láncot. A rács algoritmus egyes lépései gyakran tekinthetők láncokon végzett műveleteknek. A processzorok közötti kommunikáció bármely rögzített összekötöttségű gépben kommunikációs láncok segítségével történik. Ha két olyan processzor akar kommunikálni egymással, amik egy éllel össze vannak kötve, akkor azt egyetlen lépésben

 Vissza a tartalomhoz 3.2. Csomagirányítás

127 P212

P112

P222

P122

P211

P111

P221

P121

3.3. ábra. 2 × 2 × 2 méretű kocka.

elvégezhetik. Ha nincs közöttük él, akkor az őket összekötő utak valamelyikén történhet meg a kommunikáció, tehát a szükséges lépésszám (legalábbis rövid üzenetek esetén) függ az út hosszától. Feltesszük, hogy egy processzor egyetlen lépésben képes végrehajtani egy számítást és/vagy kommunikálni akár mind a négy szomszédjával. Egy rácsban azok a processzorok, amelyeknek első (második) koordinátája megegyezik, egy sort (oszlopot) alkotnak. Például egy a × a

méretű négyzetben az i-edik sor a Pi,1 , Pi,2 , . . . , Pi,a processzorokból áll. Mindegyik sor vagy oszlop egy a processzoros lánc. Egy rács algoritmus gyakran áll olyan lépésekből, melyeket csak bizonyos sorokban vagy oszlopokban lévő processzorok végeznek el. 3√

Ha k = 3, akkor tégla alakú rácsot kapunk. Az m1 = m2 = m3 = p speciális esetben kockáról és a kocka méretére az n × n × n jelölést

alkalmazzuk.

A 3.3. ábra egy 2 × 2 × 2 méretű kockát ábrázol.

3.2. Csomagirányítás A processzorok közötti kommunikáció egyetlen lépése egy rögzített szerkezetű hálózatban a következő – csomagirányítási problémának

128

3. Rácsok

nevezett – feladatként fogható fel. A hálózatban minden processzornak van egy adatcsomagja, amit egy másik processzornak akar elküldeni. A feladat a csomagok eljuttatása a céljukhoz a lehető leggyorsabban úgy, hogy egy lépésben egy kommunikációs csatornán egy irányban egyszerre csak egy csomag utazhat. Az utóbbi feltételre a csatorna sávszélességének korlátozottsága miatt van szükség. Könnyen előfordulhat, hogy egy adott lépésben kettő vagy több csomag érkezik egy processzorhoz, és mindegyik ugyanazon a csatornán szeretne továbbhaladni. Ilyen esetben természetesen csak egy csomag utazhat a következő lépésben, a többiek pedig a processzornál egy várakozási sorba kerülnek a későbbi továbbküldés miatt. Egy elsőbbségi szabály alapján döntjük el, hogy melyik csomagot küldjük el ilyen esetekben. Ilyen elsőbbségi szabályok például az FDF (Farthest Destination First) FOF (Farthest Origin) First) , FIFO, RAN (véletlenül választunk) A csomagirányítási feladat egy speciális esete a parciális permutációs csomagirányítás (Partial Permutation Routing). A PPR-ben minden processzornak legfeljebb egy elküldendő csomagja van, és egy adott processzorhoz legfeljebb egy csomagot kell küldenünk. A PPR-t egy ERCW PRAM gépen egy párhuzamos írással megoldhatjuk. De egy általános rögzített összekötöttségű hálózatban a probléma gyakran igen bonyolult. Tipikusan a bemenet egy bizonyos sorrendben kerül a processzorokhoz, és a kimenetnek úgyszintén egy előre megadott sorrendben kell megjelennie. Csupán egy ilyen sorrend átrendezés néha több PPR-t igényelhet. Ezért bármely nem triviális rögzített összekötöttségű hálózati algoritmus tervezéséhez szükség van PPR-ekre. Ez az egyik lényeges különbség a hálózati és a PRAM algoritmusok között. Egy csomagirányítási algoritmus legfontosabb jellemzői a futási ideje amíg az utolsó csomag is eléri a célját, és a várakozási sor hossza, ami az egy processzornál maximálisan várakozó csomagok száma. A

3.2. Csomagirányítás

129

sor lehetséges hosszát alulról korlátozza az egy processzortól induló, valamint az egy processzorhoz érkező csomagok maximális száma. Feltételezzük, hogy a csomag nemcsak a küldendő információt tartalmazza, hanem a küldő és a célprocesszor azonosítóját is. Egy csomagirányítási algoritmus bemenő adatai a csomagok indulási helye és célja, valamint a használni kívánt elsőbbségi szabály. Egy csomag utazásának lépésszáma az indulás és a cél között megtett út és a sorokban eltöltött várakozás hosszától függ. 3.1. példa. 4 csomag irányítása. Tekintsük az a, b, c, d csomagokat a 3.4. ábra (a) részén. A rendeltetési helyüket az ábra (g) része mutatja. Használjuk a FIFO elsőbbségi szabályt úgy, hogy holtverseny esetén önkényesen döntsünk valamelyik csomag a javára. A csomagok a lehető legrövidebb úton közlekedjenek. A t = 1 sorszámú lépésben minden csomag eggyel közelebb kerül a céljához. Ennek eredményeként az a és a b ugyanazon a ponton vannak, tehát a t = 2 sorszámú lépésben valamelyiket várakoztatni kell. Mivel mindketten egyszerre érkeztek, ezért ez egy holtverseny. Önkényesen döntünk, ezért nyerjen mondjuk a. Ugyanebben a lépésben még c és d is csatlakozik b-hez. A következő lépésben b fog továbbmenni, mivel ő előbb érkezett, és ezért elsőbbsége van a többihez képest. A negyedik lépésben c és d holtversenyben küzd a továbbhaladásért. Legyen d a győztes, aki tovább haladhat. További két lépésben c is eljut a céljába. Ekkorra minden csomag megérkezett. Az a csomagnak öt élen kellett áthaladnia, és közben sehol sem várt – ezért öt időegység alatt ért célba. A c csomagnak négy élen kellett átutaznia, és két alkalommal várt, ezért hat időegység alatt ért célba – ez adja az algoritmus futási idejét. Vajon más elsőbbségi szabályt használva csökkenhet a lépésszám? Játsszuk végig az előző példát az FDF szabállyal. Ekkor a futási idő öt időegység lesz.

130

3. Rácsok t=0

c b

t=1

d a

c

t=2

d

b, c, d b, a

(a)

t=3

c, d

a

(b)

b a

(c)

t=4

(d)

t=5

t=6

c d b a

(e)

d, c

d c b a

b a

(f)

(g)

3.4. ábra. Példa csomagirányításra.

3.2.1. Csomagirányítás láncon Egy láncon, mivel az összekötöttség kétirányú, a processzor egyszerre küldhet és fogadhat a szomszédjaitól üzeneteket. Ennek következtében két ellentétes irányú csomaglánc nem zavarja egymást. Ebben a részben megmutatjuk, hogy a PPR láncon megoldható legfeljebb p − 1 lépésben.

Vegyük észre, hogy a legrosszabb esetben legalább p−1 lépés kell, hiszen ez a lehető legnagyobb távolság két processzor között. Láncon PPR-en kívül vizsgálunk még néhány általánosabb csomagirányítási feladatot is. 3.2. példa.

Független csomagáramok. A 3.5. ábrán a balról jobbra hal-

adó csomagokat körökkel, a jobbról balra haladó csomagokat pedig pipával jelöltük. feltesszük, hogy a balra haladó csomagok célja P1 , a jobbra haladó

3.2. Csomagirányítás a

131 b

1

p

3.5. ábra. A jobbra és balra haladó csomagáramok függetlenek.

csomagoké pedig Pp . Például az a és b csomagoknak egyidejűleg van szüksége ugyanarra az élre, amikor az első lépést megteszik (ellenkező irányban). Mivel az élek kétirányúak, nincs verseny, a csomagok használhatják egyszerre az élet. Mivel a P1 processzortól induló csomagnak p − 1 élen kell keresztül

haladnia, ezért a célba éréshez legalább p − 1 lépésre van szüksége.

Tegyük fel, hogy egy p processzorból álló láncban minden processzor legfeljebb egy üzenetet küld, az üzenetek célja tetszőleges lehet. Továbbítsuk a csomagokat a célprocesszorokhoz. Ezt a feladatot egy kezdőcsomagos feladatnak nevezzük. 3.1. lemma (egy kezdőcsomagos feladat). Az egy kezdőcsomagos feladat egy p processzoros láncon megoldható legfeljebb p − 1 lépésben. Bizonyítás. Minden q üzenetet küldhetünk a kezdő és a végpont közötti legrövidebb úton. Tekintsük csak azokat az üzeneteket, amelyek balról jobbra utaznak, hiszen a jobbról balra utazókat teljesen hasonlóan függetlenül vizsgálhatjuk. Ha q a Pi processzortól indul és Pj felé tart, akkor j − i lépésben éri azt el, hiszen sosem kell várakoznia egy

másik üzenetre. A leghosszabb ilyen út 1-től p-ig vezet, ezért p − 1

felső korlát a lépésszámra. Az egy csúcsba küldött csomagok maximális száma jellemzi az algoritmus várakozási sorának hosszát. Adott egy p processzorból álló lánc. A Pi processzor ki (0 ≤ ki ≤ p)

132 üzenetet akar küldeni és

3. Rácsok p X

ki = p.

(3.1)

i=1

Nincs két olyan üzenet, amelyeket azonos processzorhoz kellene küldeni. Továbbítsuk a csomagokat a célprocesszorokhoz. Ezt a feladatot egy célcsomagos feladatnak nevezzük. 3.2. lemma (egy célcsomagos feladat). Ha az FDF elsőbbségi szabályt használjuk, akkor az egy célcsomagos feladat egy p processzoros láncon megoldható legfeljebb p − 1 lépés alatt. Bizonyítás. Tegyük fel, hogy q üzenet Pi -ből Pj -be megy. Az általánosság megszorítása nélkül feltehetjük, hogy a csomag balról jobbra halad. A jobbról balra haladó csomagoktól eltekinthetünk hasonló okok miatt, mint az előző lemmánál. Minden csomag a lehető legrövidebb úton halad, ami a mi esetünkben j − i lépést jelent. Ne feledkezzünk meg

azonban azokról a csomagokról, amelyek j-nél nagyobb indexű process-

zorokhoz utaznak, mivel ezek (és csak ezek) megvárakoztathatják q-t. Ezen csomagok száma legfeljebb p−j. Jelölje k1 , k2 , . . . , kj−1 a kezdeti állapotban rendre a P1 , P2 , . . . , Pj−1 processzortól induló ilyen csomagok számát. Jelölje m minden lépés után azt az indexet, melyre km−1 > 1, és ha m ≤ s ≤ j, akkor ks ≤ 1. Nevezzük a km , km+1 , . . . , kj−1 sorozatot szabad sorozatnak.

Vegyük észre, hogy az elkövetkezőkben a szabad sorozatban egyik csomag sem fog várakozni. Ezenfelül minden egyes lépésben legalább egy csomag csatlakozik a szabad sorozathoz. A 3.6. ábra egy szabad sorozatot mutat. Az ábrán a számok a megfelelő processzoroknál (melyeknek csak az indexe szerepel az ábrán) lévő csomagok számát mutatják. Például a nulladik lépésben (t = 0) lépésben Pi -nél 3 csomag van és 1, 0, 1, 1 a szabad sorozat. A következő lépésben (t = 1) egy, majd az azt követő lépésben (t = 2) 4 új csomag csatlakozik


133

i

j t=0

2

3

0

0

3

1

0

1

i

1 j t=1

1

3

1

0

2

1

1

0

i

1

1

j t=2

0

3

1

1

1

1

1

1

0

1

1

3.6. ábra. Szabad sorozat.

távolság

1

2

3

...

i

...

késleltetés

j

...

p

3.7. ábra. A 3.1. lemma bizonyításának szemléltetése

a szabad sorozatban lévő csomagokhoz. Így legfeljebb p − j lépés után minden olyan csomag csatlakozott

a szabad sorozathoz, amely miatt q várakozásra kényszerülhet. Ezt a helyzetet mutatja a 3.7. ábra: a q csomagnak a legfeljebb p − j lépésnyi

várakozáson felül j − i lépést kell tennie, ezért legfeljebb p − i lépés után célba ér.

A jobbról balra haladó csomagok esetében hasonlóan belátható, hogy legfeljebb i − 1 lépésben megérkeznek a rendeltetési helyükre. Most definiáljuk az általános csomagirányítási feladatot. Tételezzük fel, hogy egy p processzoros láncon több csomag származhat egy

134

3. Rácsok

processzortól és több csomagot küldhetünk egy processzorhoz. Továbbá a P1 , P2 , . . . , Pj (j = 1, 2, . . . , p) processzoroktól összesen induló csomagok száma nem több, mint j + f (p), p valamely rögzített f (p) függvényére. Továbbítsuk a csomagokat a célprocesszorokhoz. 3.3. lemma. (Általános csomagirányítási feladat.) Ha a FOF elsőbbségi szabályt használjuk, akkor az általános csomagirányítási probléma megoldható p + f (p) lépésben. Bizonyítás. Legyen q egy Pi -ből Pj -be utazó üzenet, ahol i < j (a j > i eset hasonlóan kezelhető). A q csomag legfeljebb i + f (p) csomag miatt várakozhat, hiszen csak ennyi csomag érkezhet távolabbról és lehet ezért nagyobb prioritása. Ha q minden egyes ilyen csomag miatt legfeljebb egyszer kényszerül várakozni, akkor az összes várakozási lépésszáma legfeljebb i + f (p). Ha azonban valamely r csomag mondjuk kétszer várakoztatja meg q-t, ez azt jelenti, hogy r várakozásra kényszerült egy másik, nagyobb prioritású csomag miatt, ami sosem fogja q-t megvárakoztatni. Emiatt q várakozása legfeljebb i + f (p) lehet. Mivel q−nak már csak j−i lépést kell megtennie, ezért legfeljebb j+f (p) lépés kell q helyre szállításához. Az összes csomagra ez a lépésszám legfeljebb p + f (p).

3.3. példa. A 3.3 lemma bizonyításának szemléltetése A 3.8. ábra mutatja a 3.3. lemma bizonyításának menetét (a processzoroknak itt is csak az indexe szerepel). A példában 8 csomag van: a, b, c, d, e, f, g, h. Vizsgáljuk a g csomagot. Ezt a csomagot a többi 7 csomag késleltetheti. A g csomag a t = 9 sorszámú lépésben éri el célját. Megtett útjának hossza 2, késleltetése 7. Az ábra nem mutatja azokat a csomagokat, amelyek a Pj csúcsban keresztezték egymást.


135 j

t=0 a, b

c d, e, f g, h

j a

j

t=2 a b, c, d e, g f

h

j a, b, c d, g e

j

t=4 a, b c, g

d

e

a

b, g

c

a, g

b

t=8 g

c

a

t=5

d

j g

t=3

f

j

j

t=6

t=1

b c, d, e f, g h

t=7

b

j

j

a

g

t=9

3.8. ábra. A 3.3. lemma bizonyítását illusztráló példa

3.2.2. Egy mohó algoritmus a PPR megoldására rácson √ √ Egy PPR probléma megoldásához egy p × p = a × a méretű rácson

egy üzenetnek az (1, 1) csúcsból az (a, a) csúcsba szállításához legalább N (n, a2 , P) ≥ 2(a − 1) lépésre van szükség. Ezért 2(a − 1) egy alsó

korlát bármely csomagirányító algoritmus lépésszámának legrosszabb esetét vizsgálva: W (n, a2 , A) ≥ 2(a − 1).

Egy egyszerű PPR algoritmus, amely felhasználja a láncoknál is-

mertetett csomagirányítási algoritmusokat, a következő. Legyen q egy tetszőleges csomag, amelyet a Pi,j processzortól a Pk,l indexűnek kell elküldeni. Az csomag az első fázisban a j-edik oszlop mentén a k-adik sorig halad a legrövidebb úton. A második fázisban a k-adik sor mentén a legrövidebb úton az l-edik oszlophoz elérve a csomag megérkezett a rendeltetési helyére. Egy csomag azonnal megkezdheti a második fázist az első befejezése után, nem kell semmi másra várnia. Az első fázis legfeljebb a−1 lépésben elvégezhető, mivel a 3.1. lemma

136

3. Rácsok (1, 1)

(

(1,

√

p)

p 2 , 1)

√

√ ( p, 1)

√ √ ( p, p)

3.9. ábra. A mohó algoritmusnak hosszú sorra van szüksége

alkalmazható. A második fázis a 3.3. lemmából következően nem tart a − 1 lépésnél tovább. Így az algoritmus lépésszáma legfeljebb 2(a − 1), ami az elméleti alsó korlát, azaz az algoritmus abszolút optimális.

De van egy komoly hátránya ennek az algoritmusnak, mégpedig az, hogy a várakozási sor hossza a/2. Nézzünk erre egy példát. Legyen a csomagirányítási probléma olyan, hogy az első oszlop minden csomagját a a/2-edik sorba kelljen szállítani. Egy ilyen PPR esetén a (a/2, 1) indexű processzor minden lépésben két csomagot kap. Mivel mindkettő ugyanazt a kommunikációs vonalat szeretné használni, ezért az egyik a várakozási sorba kerül. Ez megismétlődik egészen az a/2-edik lépésig, mikor is a/2 csomag lesz az (a/2, 1) processzor várakozási sorában. Ezt a helyzetet mutatja a 3.9. ábra. Az ideális olyan algoritmus lenne, amelynek O(1) méretű várakozási sorra van szüksége (vagy legalább olyan algoritmus, melyre az f (p) függvény lassan nő, mint például a lg p).


137

3.2.3. Véletlenített algoritmus (?) A kétfázisú mohó algoritmus módosítható a véletlenítés segítségével úgy, hogy csak O(lg p) méretű várakozási sort használjon. Az új Háromfázisú algoritmus három fázisú és a lépésszáma 3a + o(a). Ebben az algoritmusban a három fázis teljesen elkülönül, azaz egy fázis csak akkor kezdődhet el, ha az előző fázist már minden csomag befejezte. Ez a megszorítás egyszerűbbé teszi az elemzést Legyen q egy tetszőleges csomag, amelyet Pi,j -től Pk,l -hez kell továbbítani. 1. fázis. A q csomag választ egy véletlen Pi0 ,j processzort starthelyének oszlopában és a legrövidebb úton eljut oda. 2. fázis. A q csomag az i0 . sor mentén továbbítódik a Pi0 ,l processzorhoz. 3. fázis. Végül q – az l. oszlop mentén haladva – eléri rendeltetési helyét. √ 3.4. tétel. A Három-fázisú algoritmus befejeződik 3 p + O(p1/4 lg p) lépés alatt. Bizonyítás. A 3.1. lemma alkalmazásából adódik, hogy az első fázis legfeljebb a lépésben befejeződik, mivel egyetlen csomag sem kényszerül várakozásra. Tegyük fel, hogy egy csomag a második fázist a Pi0 ,j processzornál kezdi. Az általánosság megszorítása nélkül feltehetjük, hogy a csomag jobbra mozog. A Pi0 ,j processzortól induló csomagok száma ennél a lépésnél egy binomiális eloszlású valószínűségi változó

1 B a, a

(3.2)

paraméterekkel. Azért ennyi, mert a csomag van a j-edik oszlopban és mindegyik

1 a

valószínűséggel kerül Pi0 ,j -hez az első fázis végén. Ezenfelül


3. Rácsok

a második fázis kezdetén a Pi0 ,1 , Pi0 ,2 , . . . , Pi0 ,j processzoroktól induló csomagok száma szintén binomiális eloszlású

1 B ja, a

(3.3)

paraméterekkel. (Felhasználtuk azt a tényt, hogy B(n1 , x) + B(n2 , x) = B(n1 + n2 , x).) Ennek a változónak a várható értéke j. A Csernovegyenlőtlenséget

felhasználva ez a szám ≥ 1 − p−α−1 valószínűség-

gel legfeljebb j + 3αp1/4 ln p minden α ≥ 1 számra. Így ez az érték

j + Õ(p1/4 lg p). A 3.3. lemmát alkalmazva most azt kapjuk, hogy a második fázis a + O(p1/4 lg p) lépésben befejeződik. A harmadik fázis elején bármely oszlopban akármelyik processzortól legfeljebb a csomag indul és legfeljebb egy csomag érkezik. Ezért a 3.3. lemmának megfelelően a harmadik fázis legfeljebb a lépést igényel.

3.3. Alapfeladatok Ebben az alfejezetben négy alapfeladat megoldását mutatjuk be: üzenetszórás, prefixszámítás, adatkoncentráció és ritka rendezés. Egy a × a méretű rácson mind a négy feladat megoldható O(a) lépésben.

Mivel egy üzenet a négyzetrács egyik sarkából csak d = 2(a − 1)

lépésben juthat el az átellenes sarokba, ez a szám a lépésszám alsó korlátja az előbbi feladatokra, és legrosszabb esetben szükség van az átellenes sarokban lévő processzorok közti kommunikációra. A d szám a négyzetrács átmérője. A k-k irányítási feladat a következő. A hálózat bármely processzorától bármely másikhoz legfeljebb k csomagot kell elküldeni.

3.3. Alapfeladatok

139

3.3.1. Üzenetszórás Az üzenetszórási feladat szerint a hálózat megadott processzorától üzenetet kell eljuttatni megadott célprocesszorokhoz (rendszerint az összes többi processzorhoz). Legyen L egy p processzoros lánc és legyen M egy üzenet, ame-

lyet a P1 processzornak kell elküldenie a többi processzorhoz. A feladat megoldható olyan egyszerűen, hogy P1 elküldi az üzenetet P2 -nek, az tovább küldi P3 -nak és így tovább. Ekkor az üzenet p − 1 lépésben eljut

a legtávolabbi processzorhoz, Pp -hez. Mivel a lánc átmérője p − 1, ez a lehető legkisebb lépésszám.

Egy a × a méretű négyzetrácsban az üzenetküldést két fázisban

valósíthatjuk meg. Az első fázisban az üzenetet küldő Pi,j processzor

eljuttatja üzenetét az i-edik sor minden processzorához. Ezután a második fázisban az i-edik sor minden processzora eljuttatja az üzenetet a vele azonos oszlopban lévő processzorokhoz. Ez összesen legfeljebb 2(a − 1) lépést vesz igénybe.

Formalizáljuk állításunkat.

3.5. tétel. Egy p processzoros láncon az üzenetszórás p − 1 = O(p) idő

alatt elvégezhető. Egy a × a méretű rácson az üzenetszórás 2(a − 1) = O(a) idő alatt elvégezhető.

3.4. példa. Üzenetszórás rácson. A 3.10. ábra egy 4 × 4 méretű négyzeten

való üzenetszórás két fázisát mutatja. Az üzenetek a P2,3 processzortól indulnak és az első fázisban eljutnak a P2,1 , P2,2 és P2,4 processzorokhoz. A második fázisban a második sor processzorai mind felfelé, mind lefelé elküldik az M üzenetet. Az üzenetszórás a legrosszabb esetre jellemző 6 lépés helyett már 4 lépés alatt befejeződik.

140

3. Rácsok (1,1)

*

(4,1)

(1,2)

*

(4,2)

(1,3)

*

(4,3)

(1,4)

*

(4,4)

(1,1)

(1,2)

(1,3)

(1,4)

*

*

*

*

*

*

*

*

*

*

*

*

*

(4,1)

*

(4,2)

1. fázis

*

(4,3)

*

(4,4)

2. fázis 3.10. ábra. Üzenetszórás négyzeten

3.3.2. Prefixszámítás A második fejezetben több algoritmust ismertettünk, amelyek különböző párhuzamos gépeken megoldják a prefixszámítási feladatot. Most láncon és négyzeten alkalmazható algoritmusok következnek. Prefixszámítás láncon Tegyük fel, hogy az L = P1 , P2 , . . . , Pp lánc Pi (i = 1, 2, . . . , p) pro-

cesszorának saját memóriájában van az xi elem, és a számítás végén a Pi processzor memóriájában lesz az yi prefix. Először nézzünk egy naiv algoritmust.

Lánc-prefix(L, X, Y )


Számítási modell: lánc Bemenet: X = hx1 , x2 , . . . , xp i (az összeadandó elemek) Kimenet: Y = hy1 , y2 , . . . , yp i (a prefixek) 01 Pi in parallel for i ← 1 to p

02

if i = 1

3.3. Alapfeladatok

141

then P1 az első lépésben elküldi x1 -et P2 -nek if i = p

03

then Pp a p-edik lépésben kap egy elemet (zp−1 -et) Pp−1 -től, kiszámítja és tárolja zp−1 ⊕ xp -t

if i 6= 1 ∧ i 6= p

04

then Pi az i-edik lépésben kap egy elemet (zi−1 -t)

Pi−1 -től, kiszámítja és tárolja zi = zi−1 ⊕ xi -t, majd zi -t elküldi Pi+1 -nek

Közvetlenül adódik ennek az algoritmusnak a futási ideje. 3.6. tétel. A Lánc-prefix algoritmus egy láncon Θ(p) idő alatt határozza meg p elem prefixeit. Mivel egy soros processzorral p elem prefixei O(p) lépésben meghatározhatók, ugyanakkor W (p, p, Lánc-prefix) = p2 , ezért Lánc-prefix nem munkahatékony. Hasonló algoritmus alkalmazható négyzeten is. Tekintsünk egy a × a

méretű négyzetet. Szükségünk van a processzorok egy indexelésére. Ilyenek a sorfolytonos, az oszlopfolytonos, kígyószerű sorfolytonos és a blokkonként kígyószerű sorfolytonos indexelés. A blokkonként kígyószerűen sorfolytonos indexelésnél a rácsot megfelelő méretű kisebb blokkokra bontjuk, és a blokkokon belül alkalmazzuk valamelyik indexelést. A négyzeten való prefixszámítás 3 fázisra osztható, melyekben a számításokat minden fázisban vagy csak soronként, vagy oszloponként végezzük. Az alábbi Négyzeten-prefix algoritmus sorfolytonos indexelést alkalmaz. Négyzeten-prefix(X, Y )


Számítási modell: négyzet Bemenet: X = (x1 , x2 , . . . , xp ) (az összeadandó elemek)

142

3. Rácsok

Kimenet: Y = (y1 , y2 , . . . , yp ) (a prefixek) 01 Pi1 in parallel for i ← 1 to a

02

do Lánc-prefix(Si , X[i], Y [i])

03

Lánc-prefix(Oi , Z[i])

04 Pj,a in parallel for j ← 1 to a − 1

05

küldje el a kiszámolt prefixet Pj+1,a -nak

06 Si in parallel for j ← 1toa − 1 do Üzenet-szór()

07

08 Pij in parallel for i ← 1 to a − 1, j ← 1 to a 09

számolja ki és tárolja zi,a ⊕ yi+1,j -t

10

számítsa ki és tárolja zi−1 ⊕ xi -t

A futási idő a következő. 3.7. tétel. A Négyzeten-prefix algoritmus a × a méretű négyzeten

sorfolytonos indexeléssel 3a+2 = O(a) lépésben elvégzi a prefixszámítást. 3.5. példa. Prefixszámítás 4 × 4 méretű négyzeten. A 3.11. ábra (a) részén

16 rendezendő szám látható. Az első fázisban minden sorban kiszámítjuk a prefixeket – az eredményt a (b) rész mutatja. A második fázisban csak a negyedik oszlopban számolunk – az eredmény a (c) részen látható. Végül a harmadik fázisban aktualizáljuk a prefixeket – az eredményt a (d) rész mutatja.

3.3.3. Adatkoncentráció Tegyük fel, hogy egy p processzoros hálózatban d (d < p) adat van – processzoronként legfeljebb egy. Adatkoncentráció az a feladat, hogy az adatokat egyesével helyezzük el az első d processzornál. Lánc esetében az adatokat a P1 , P2 , . . . , Pd processzorokhoz kell mozgatni. Rács esetében tetszés szerinti indexelés alkalmazható.

3.3. Alapfeladatok

143

0

1

1

2

0

1

2

4

1

0

2

1

1

1

3

4

1

0

0

2

1

1

1

3

0

1

2

3

0

1

3

6

(a)

(b)

0

1

2

4 4

0

1

2

4

1

1

3

4 8

5

5

7

8

1

1

1

3 11

9

9

9

11

0

1

3

6 17

11

12

14

17

(c)

(d)

3.11. ábra. Prefixszámítás négyzeten

3.8. tétel. Az adatkoncentráció p processzoros láncon legfeljebb 2p lépésben, a × a méretű négyzeten 6a + O(a1/2 ) lépésben megoldható. Bizonyítás.

3.3.4. Ritka rendezés Ha a rendezendő kulcsok száma lényegesen kisebb, mint a rendező hálózat mérete, akkor ritka leszámláló rendezésről (♣) beszélünk. Ritka-rendez(X, Y ) Számítási modell: négyzet Bemenet: X (a rendezendő kulcsok) Kimenet: Y (a rendezett kulcsok) 01 P1,j in parallel for 1 ≤ j ≤ a



3. Rácsok

02

Szórja a kj kulcsot a j-edik oszlopban

03 Pi,i in parallel for 1 ≤ i ≤ a

Szórja a ki kulcsot az i-edik oszlopban

04 Pi in parallel for 1 ≤ i ≤ a

Kiszámítja ki rangját az i-edik sorban prefixszámítást végezve

05 Pi in parallel for 1 ≤ j ≤ a

Elküldi a kj kulcs rangját Pi,j -nek

06 Pr in parallel for 1 ≤ r ≤ a

az r rangú kulcs elküldése a P1,r processzorhoz

3.9. tétel. (Rendezés négyzeten.) Ha a rendezendő kulcsok száma legfeljebb a, akkor a Ritka-rendez algoritmus rendezés egy négyzeten O(a) lépés alatt befejeződik.

3.6. példa. 4 kulcs rendezése egy 4 × 4 méretű négyzeten

A 3.12. ábra mutatja a (8,5,3,7) kulcssorozat rendezését egy 4 × 4 méretű

négyzeten. Az ábra (a) részében a bemenő adatok láthatók (a processzorok

első soránál). Az első lépésben az algoritmus az oszlopokban szórja az üzenetet (a j-edik oszlopban kj -t): az eredményt a (b) részen látjuk. A második lépésben soronként szórjuk az üzeneteket (az i-edik sorban ki -t) – az eredmény a (c) részben látható. A 3. és 4. lépés utáni helyzetet – amikor a kulcsok és rangjaik az első sorban vannak – tükrözi a (d) ábrarész. Az (e) részben a kulcsok már rendezve vannak a processzorok első sorában.

3.4. Kiválasztás A második fejezetben már foglalkoztunk a speciális és általános kiválasztási feladat megoldására alkalmas PRAM algoritmusokkal.

3.4. Kiválasztás 8

145

5

3

7

(a)

8

5

3

7

8,8 5,8 3,8 7,8

8

5

3

7

8,5 5,5 3,5 7,5

8

5

3

7

8,3 5,3 3,3 7,3

8

5

3

7

8,7 5,7 3,7 7,7

(b)

8,4 5,2 3,1 7,3

(d)

(c)

3

5

7

8

(e)

3.12. ábra. Ritka leszámláló rendezés négyzeten

Négyzeten két változatot vizsgálunk. Az egyikben feltételezzük, hogy a kulcsok és a processzorok száma megegyezik. A második változat szerint a processzorok száma kisebb, mint a kulcsok száma. Ha a számítási modellünk PRAM, akkor az első feladatot megoldó algoritmus és a lassulási tétel segítségével olyan algoritmust kaphatunk, amely hasznosítja az elvégzett munkát. Rácsokra azonban nem ismert ilyen általános, a lassulásra vonatkozó állítás. Ezért a második esetet külön kell kezelni. 3.4.1. Véletlenített algoritmus az p = n esetre (?) A párhuzamos gépre javasolt Véletlen-hatékony-kiválaszt algoritmus módosítható úgy, hogy négyzeten is munkaoptimális legyen – így kapjuk a Négyzeten-hatékony-kiválaszt algoritmust. Erre az algoritmusra érvényes a következő állítás. 3.10. tétel. A Négyzeten-hatékony-kiválaszt algoritmus p kulcs esetében egy négyzeten O(a) lépésben megoldja a kiválasztási feladatot.

146

3. Rácsok

Bizonyítás. A fokozat a while ciklus magjának egyszeri végrehajtása. Korábban megmutattuk, hogy az algoritmus O(1) fokozat alatt véget ér. A Hatékony-kiválaszt algoritmus első szakasza rácson O(1) lépést igényel. A 2–5. lépésekből álló szakaszban leírt prefixszámítás O(a) lépés alatt befejeződik. A 2–6.lépésekben végzett adatkoncentrációhoz a 3.11. √ tétel szerint elég O( p) lépés. A 3. és 6. szakaszban végzett ritka renq

dezéshez szintén elég O( (p)) lépés. A 4. és 6. szakaszban végzett kiválasztás konstans lépésben elvégezhető, mivel rendezett sorozatból kell választani.

3.4.2. Véletlenített algoritmus a p < n esetre (?) Tegyük fel, hogy kevesebb processzorunk van, mint kulcsunk. Ha feltesszük, hogy alkalmas c > 1 konstanssal teljesül n = pc , akkor a Hatékonykiválaszt algoritmus ennek a feladatnak a megoldására is átalakítható. Minden processzor

n p

kulccsal kezd. A while utasítás feltétele N > D

lesz (ahol D egy állandó). A második lépésben a processzorok minden hozzájuk tartozó kulcsot

1 N 1−(1/3c)

valószínűséggel veszik a mintához.

Ezért ez a lépés időt vesz igénybe. A mintában lévő kulcsok száma √ √ ON 1/3c = o( p). A harmadik lépés változatlan és O( p) időt vesz n p

igénybe. Mivel a mintában csak O(N 1/3c ) kulcs van, a negyedik lépés√ ben O( p) idő alatt koncentrálhatók és rendezhetők. Az ötödik lépés √ O( p) ideig tart, a hatodik és hetedik ugyancsak. Így minden fokozat √ O( np + p) ideig tart. Ennek az algoritmusnak a lépésszámára vonatkozik a következő tétel. 3.11. tétel. Ha c > 1 állandó és n = pc , akkor az n kulcs közül történő √ kiválasztás egy négyzeten O ( np + p) lg lg p lépésben elvégezhető.

Bizonyítás. A 2.3. lemmából következik, hogy az egyes fokozatokat

3.4. Kiválasztás

147

túlélő kulcsok száma legfeljebb q q √ 2 αN 1−(1/6c) lg N = O(N 1−(1/6c) lg N ,

(3.4)

ahol N az élő kulcsok száma az adott fokozat kezdetekor. Ebből adódik, hogy az algoritmusnak csak O(lg lg p) fokozata van.

3.4.3. Determinisztikus algoritmus a p < n esetre Az algoritmus alapja, hogy az elemeket például ötös csoportokra bontja, minden csoportnak meghatározza a mediánját, majd kiszámítja ezen mediánok M mediánját. Ezután meghatározzuk M rangját (rM ), majd az i ≤ rM összehasonlítás eredményétől függően elhagyjuk az M -nél

nagyobb, illetve nem nagyobb elemeket. Végül a megmaradó kulcsok közül rekurzívan kiválasztjuk a megfelelőt. Amikor ezt az algoritmust hálózatban hajtjuk végre, akkor célszerű arra törekedni, hogy a kulcsok egyenletesen legyenek a processzorok között elosztva. Ennek érdekében a mediánok M mediánját súlyozással számoljuk: minden csoportot az elemszámának megfelelő súllyal veszünk figyelembe. Legyen X = k1 , k2 , . . . , kn egy kulcssorozat, és legyen wi a ki kulcs súlya, továbbá legyen a súlyok összege W : W =

n X

(3.5)

wi .

i=1

Ekkor az X sorozat súlyozott mediánja (♣) az a kj ∈ X kulcs, ame-

lyre

és

X

wk l ≥

W 2

(3.6)

X

wk l ≥

W . 2

(3.7)

km ∈X, km ≤kj

km ∈X, km ≥kj

148

3. Rácsok

3.7. példa. Súlyozott médián meghatározása A súlyozott médián meghatározásának egyik módja, hogy rendezzük a kulcsokat, és az így kapott X 0 = k10 , k20 , . . . , kn0 kulcssorozathoz tartozó W 0 = w10 , w20 , . . . , wn0 rendezett súlysorozatnak meghatározzuk a legkisebb olyan prefixét (az összeadás a művelet), amely már legalább

W 2 .

Legyen X =

1, 3, 5, 6, 4, 2 és a megfelelő súlyok legyenek 1, 2, 3, 4, 5, 6. Ekkor W = 21, W 0 = 1, 6, 2, 5, 3, 4 és a prefixek 1, 7, 9, 14, 17, 21. Mivel 14 a legelső megfelelő prefix, ezért X – W -vel súlyozott – mediánja 4 (és ennek súlya 5).

Det-négyzeten-kiválaszt(k1 , k2 , . . . , kp , i)


Számítási modell: négyzet Bemenet: K = k1 , . . . , kp (a kulcsok) Kimenet: i (a kiválasztott kulcs indexe) 01 N := 0 02 if lg np ≤ lg lg p

then minden processzor rendezzen

03

else minden processzor ossza fel a kulcsokat lg p egyenlő részre úgy, hogy a kulcsok minden részben legfeljebb akkorák, mint a tőle jobbra lévő részben.

04 while N > D 05

Pq in parallel for q ← 1top

határozza meg a nála lévő kulcsok mediánját.

Legyen Mq a médián és Nq a 06

megmaradó kulcsok száma (81 ≤ q ≤ p).

határozzuk meg M1 , M2 , . . . Mp súlyozott mediánját úgy, hogy Mq súlya Nq . Legyen M a súlyozott médián.

07

Meghatározzuk M rangját a maradék kulcsok között (legyen ez rM ) és ezt a rangot szétszórjuk.

08

if i ≤ rM then eltávolítunk minden kulcsot, amely M -nél nagyobb.

3.4. Kiválasztás

149

Processzor (1,1) (1,2) (1,3) (2,1) (2,2) (2,3) (3,1) (3,2) (3,3) 11 16 3

18 2 14

10 17 5

21 26 27

12 7 25

24 4 9

19 20 23

15 8 22

1 13 6

A súlyozott médián 14. 11 3

2

10 5

-

12 7

4 9

-

8

1 13 6

A súlyozott médián 5. 11

-

10

-

12 7

9

-

8

13 6

A súlyozott médián 8. A válasz 8. 3.13. ábra. Determinisztikus kiválasztás 3 × 3 méretű négyzeten

09

Kiszámítjuk és szórjuk az eltávolított kulcsok E számát.

10

if i > rM

11

then i ← i − E

12 return ki

N ←N −E

3.8. példa. Kiválasztás 3 × 3 méretű rácson. A 3.13. ábra determinisztikus

kiválasztást mutat be.

A futási idő a következő. 3.12. tétel (kiválasztás négyzeten). A Det-négyzeten-kiválaszt algoritmus n kulcs közül a × a méretű négyzeten O

n p

lg lg p) + a lg n


3. Rácsok ci

ci

i 3.14. ábra. Kulcsok rangjának számítása

lépésben megoldja a kiválasztást.

3.5. Összefésülés A második fejezetben több algoritmust is elemeztünk, amelyek PRAM segítségével oldották meg az összefésülési feladatot. 3.5.1. Rangon alapuló összefésülés láncon A Rangsorol rangsorolási algoritmus átalakítható úgy Láncon-összefésül algoritmussá, hogy a futási ideje lineáris legyen. Legyen L egy p processzoros lánc. A bemenő sorozatok legyenek X1 = k1 , k2 , . . . , km és

X2 = km+1 , km+2 , . . . , k2m . Kezdetben a Pi processzornál két kulcs van: ki és ki+m . A 3.14. ábra mutatja, hogyan utaznak a ci számlálót tartalmazó csomagok, amelyek végül visszatérnek a Pi processzorhoz.

3.13. tétel. (Rangsorolásos összefésülés láncon.) Két p hosszúságú rendezett sorozat egy p processzoros láncon O(p) lépésben összefésülhető.

Bizonyítás.


151

(a) (b) (c) 3 5 6 8 1 4 2 7 3 6 5 8 1 4 2 7 3 6 1 4 5 8 2 7 P1 E1 P2 E2 P1 E1 P2 E2

1 3 4 6 2 5 7 8 1 2 3 5 4 7 6 8 1 2 3 4 5 6 7 8 P E (d) (e) (f)

3.15. ábra. Páratlan-páros összefésülés láncon

3.5.2. Páratlan-páros összefésülés láncon 3.14. tétel. (Páros-páratlan összefésülés láncon.) Két m hosszúságú sorozat egy 2m processzoros láncon O(m) lépésben összefésülhető. 3.9. példa. Két 4 hosszúságú sorozat összefésülése 8 processzoron. A 3.15. ábra mutatja, hogyan fésüli össze az algoritmus a rendezett (3,5,6,8) és (1,4,2,7) sorozatokat egy 8 processzoros láncon. Az ábra (a) része a bemenő adatokat mutatja. A (b) rész a bemenő sorozatok páros és páratlan indexű elemeket tartalmazó részsorozatokra való felbontását mutatja. A (c) rész az P2 és Q1 sorozatok felcserélésével kapott állapotot tükrözi. A (d) ábrarész a P1 és P2 , valamint a Q1 és Q2 sorozatok (rekurzív) összefésülésével kapott sorozatokat tartalmazza. A következő két ábrarész az összekeveréssel kapott sorozatot, illetve a cserélő-összehasonlítással kapott végeredményt ábrázolja.

3.5.3. Páratlan-páros összefésülés négyzeten Ebben a szakaszban négyzet a számítási modell. Feltesszük, hogy a 2 hatványa és a bemenő adatok két részre osztva, a 3.16. ábra (a) részének megfelelően kígyószerűen helyezkednek el az 1, 2, ..., a/2, illetve az a/2 + 1, a/2 + 2, . . . , a oszlopindexű processzorok helyi memóriájában.

152

3. Rácsok

5 11 15 25 26 35 12

6 8 18 20 29 36 53

2 9 19 37 40 48 56

3 7 28 32 41 46 65

P1 Q1

P2 Q2

P1 P2

Q1 Q2

5 8 15 20 26 36 42

2 7 19 32 29 35 53

5 8 15 20 26 36 42

6 11 18 25 29 35 53

3 9 28 37 41 48 65

5 8 19 26 36 41 56

6 7 20 25 37 40 65

(a)

3 9 28 37 41 48 65

2 7 19 32 40 46 56

(b)

P 2 8 15 26 32 42 46

6 11 18 25 40 46 56

(c)

Q 5 7 19 20 36 40 56

3 11 18 29 35 48 53

6 9 25 28 37 41 65

2 11 15 29 32 48 46

(d)

3 8 18 26 35 42 53

5 9 19 28 36 41 56

6 7 25 20 37 40 65

2 11 15 29 32 46 48

3 9 18 28 35 42 53

(e)

(f)

3.16. ábra. Páratlan-páros összefésülés négyzeten

Mindkét rész a oszlopból és a/2 sorból álló adatkígyó. Ennek a két rendezett sorozatnak az összefésülésére alkalmas a következő algoritmus. Négyzeten-pp-fésül(p)


Számítási modell: négyzet Bemenet: p (processzorszám, 2 páratlan hatványa), X1 és X2 (mindkettő

a 2

hosszúságú rendezett sorozat)

Kimenet: Y (p hosszúságú rendezett sorozat) 01 if l = 0 then fésüljük össze a két kígyót 02

else cseréljük fel P2 -t és Q1 -et

03

rekurzívan fésüljük össze P1 -et és P2 -t

 Vissza a tartalomhoz 3.6. Rendezés

153

Most megmutatjuk, hogy ez az algoritmus O(a) lépésben befejeződik. 3.15. tétel. (Kígyók rendezése rácson.) A Rácson-pp-Fésül algoritmus két a ×

a 2

hosszúságú rendezett adatkígyót O(a) lépésben összefésül

egy a × a méretű négyzeten. Bizonyítás. Az algoritmus lépésszámára az M (l) ≤ M

!

l + 2l 2

(3.8)

√ adódik, amelynek a megoldása M (l) = O( p).

3.6. Rendezés A 2. fejezetben foglalkoztunk PRAM modellen rendező algoritmusokkal. Most lánc és rács lesznek a felhasznált számítási modellek. 3.6.1. Rendezés láncon A Láncon-rang-rendez algoritmus először meghatározza a rendezendő kulcsok rangját, majd eljuttatja a kulcsokat a megfelelő helyre. A Lánconbuborék-rendez algoritmus a soros buborékrendezéshez hasonlít. Rangsoroló rendezés láncon Ez az algoritmus O(p) lépést tesz. 3.16. tétel. A Láncon-rang-rendez algoritmus p kulcsot egy p processzoros láncon O(p) lépésben rendez.

154

3. Rácsok

5 4 8 1 2 6 3 7 4 5 1 8 2 6 3 7 4 1 5 2 8 3 6 7 (a)

(b)

(c)

1 4 2 5 3 8 6 7 1 2 4 3 5 6 8 7 1 2 3 4 5 6 7 8 (d)

(e)

(f)

3.17. ábra. Páros-páratlan felcserélő rendezés láncon

Páratlan-páros felcserélő rendezés láncon A Láncon-pp-rendez algoritmus alapötlete ugyanaz, mint a soros buborékrendezésé: a szomszédos kulcsokat összehasonlítjuk és szükség esetén felcseréljük. Láncon-pp-rendez(p)


Számítási modell: lánc Bemenet: X (rendezendő kulcsok) Kimenet: Y (p hosszúságú rendezett sorozat) 01 Pi in parallel for i ← 1top 02

do if i páratlan then hasonlítson össze és cseréljen

03

else hasonlítson össze és cseréljen

Ez az algoritmus is O(p) lépést tesz. 3.17. tétel. A Láncon-pp-rendez algoritmus egy p processzoros láncon p kulcsot O(p) lépésben rendez.

Páratlan-páros összefésülő rendezés láncon A Láncon-fésül-rendez algoritmus alapötlete ugyanaz, mint a soros

3.6. Rendezés

155

buborékrendezésé: a szomszédos kulcsokat összehasonlítjuk és szükség esetén felcseréljük. Ez az algoritmus is O(p) lépést tesz. 3.18. tétel. A Láncon-fésül-rendez algoritmus egy p processzoros láncon p kulcsot O(p) lépésben rendez. 3.6.2. Rendezés négyzeten Két algoritmust vizsgálunk ebben az alfejezetben. A Shearson-rendez Θ(a lg a) lépést tesz, a másik viszont O(a) lépésszámának köszönhetően munkahatékony. Schearson rendező algoritmusa Schearson-rendez(p)


Számítási modell: négyzet Bemenet: X (rendezendő kulcsok) Kimenet: Y (p hosszúságú rendezett sorozat 01 for i := 1 to n 02

if i páros then

03

Rendezzük az oszlopokat

04

Rendezzük az első sort növekvőleg

3.10. példa. Schearson-rendezés. A 3.18. ábra (a) része egy 4×4 méretű négyzeten elrendezett kulcsokat ábrázol. Az első fázisban a sorokat rendezzük – az egymást követő sorokat ellenkező módon (az első sort növekvőleg, a másodikat csökkenőleg stb.) Az első fázis eredményét mutatja az ábra (b) része. Az ábra következő részei rendre a második, . . ., ötödik fázis utáni helyzetet mutatják. Az ötödik fázis végén a négyzet rendezve van.

156

3. Rácsok 15

12

8

32

8

12

15

32

2

11

5

3

7

13

6

17

17

13

7

6

8

12

7

6

2

16

19

25

2

16

19

25

17

13

15

25

18

11

5

3

18

11

5

3

18

16

19

32

(a)

(b)

(c)

2

3

5

11

2

3

5

6

2

3

5

6

12

8

7

6

12

8

7

11

12

11

8

7

13

15

17

25

13

15

17

16

13

15

16

17

32

19

18

16

32

19

18

25

32

25

19

18

(d)

(e)

(f)

3.18. ábra. Példa Schearson-rendezésre

Páratlan-páros összefésülő rendezés Most a páratlan-páros rendezési algoritmust négyzeten valósítjuk meg. Egy példát mutat a 3.19. ábra. Az algoritmus futási ideje a következő.

3.19. tétel. (Páratlan-páros összefésülő rendezés.) p elem √ négyzeten O( p) lépésben rendezhető.

√

√ p× p méretű

3.11. példa. 16 elem rendezése páratlan-páros összefésüléssel A 3.19. ábra mutatja 16 szám rendezését négyzeten kígyószerű sorfolytonos sorrendbe.

 Vissza a tartalomhoz 3.7. Gráfalgoritmusok

157

13 11 9 15

2

6

13 11 15 9

2

3

5

6

7

7

16 10 14 12

4 14

(a) 2

3

4

(b) 6

1

2

3

4

15 13 11 9

8

7

6

5

1

8

9 10 11 12

16 14 12 10

16 15 14 13

(c)

(d)

4

5

1

5

10 16 1 12 8

8

3

7

3.19. ábra. Páratlan-páros összefésülés négyzeten

3.7. Gráfalgoritmusok Ebben az alfejezetben először néhány kockán futó gráfalgoritmust mutatunk be, majd négyzeten oldunk meg gráfokkal kapcsolatos feladatokat. 3.7.1. Kocka Ebben a szakaszban kocka lesz a számítási modell. A minmátrix, tranzitív lezárt, és az összefüggő komponensek számítását mutatjuk be. Újra alkalmazzuk a második fejezetben a tranzitív lezárt, összefüggő komponensek és legrövidebb utak meghatározására kidolgozott formalizmust. Először a minmátrix számítására mutatunk egy algoritmust, amely n × n × n méretű kockán O(n lg n) lépést tesz. Ezután a tranzitív lezárt, a legrövidebb utak és a konvex burok meghatározására mutatunk be négyzeten működő algoritmusokat.

158

3. Rácsok

Minmátrix számítása Az M mátrixból az M mátrixot egy kockán O(n lg n) lépésben meg tudjuk határozni. Egy n × n × n méretű kocka elemeit úgy definiáljuk, hogy (i, ∗, ∗)

azokat a processzorokat jelöli, amelyeknek az első koordinátája i.

3.20. tétel. ( Minmátrix számítása kockán.) Egy n × n méretű mátrix

minmátrixa egy n×n×n méretű kockán O(n lg n) lépésben kiszámítható. Irányított gráf tranzitív lezártja

Az előzőek alapján adódik a Kocka-lezár algoritmus, melynek lépésszáma a következő. 3.21. tétel. (Tranzitív lezárt számítása kockán.) Egy n csúcsú irányított gráf tranzitív lezárt mátrixa egy n × n × n méretű kockán O(n lg n) lépésben kiszámítható.

Összefüggő komponensek meghatározása

3.22. tétel. (Összefüggő komponensek számítása rácson.) Egy n csúcsú irányított gráf összefüggő komponensei egy n × n × n méretű kockán

O(n lg n) lépésben kiszámíthatók.

Bizonyítás. A minmátrixra vonatkozó tétel segítségével.

3.7.2. Négyzet Ebben az alfejezetben a tranzitív lezárt és a legrövidebb utak számítására determinisztikus, a teljes párosítás keresésére (páros gráfban és általános gráfban) pedig véletlenített algoritmust mutatunk be.

3.7. Gráfalgoritmusok

159

a[1, 3] a[1, 2] a[1, 1]

a[2, 3] a[2, 2] a[2, 1] -

a[3, 3] a[3, 2] a[3, 1] -

b[3, 1] b[2, 1] b[1, 1]

b[3, 2] b[2, 2] b[1, 2]

b[3, 3] b[2, 3] b[1, 3]

-

-

-

3.20. ábra. Két mátrix szorzása

Tranzitív lezárt Egy n-csúcsú gráf tranzitív lezártja meghatározható úgy, hogy n × n

méretű mátrixokkal dlg ne szorzást végzünk. A következő tétel ezen szorzások négyzeten való gyors elvégezhetőségét mondja ki.

3.23. tétel. (Mátrixok szorzása négyzeten.) Az n × n méretű A = a[i, j] és B[i, j] mátrixok egy n × n méretű négyzeten O(n) idő alatt összeszorozhatók.

Ennek a tételnek a segítségével belátható a következő állítás. 3.24. tétel. (Tranzitív lezárt rácson.) Adott irányítatlan gráf tranzitív lezárt mátrixa egy n × n méretű négyzeten O(n lg n) lépésben meghatározható.

Bizonyítás. A tétel bizonyítását a 3.20. ábra és a 3.21. ábra segítségével szemléltetjük.

160

3. Rácsok

a[1, 1] a[1, 2]

b[1, 1]

b[2, 1] b[3, 1]

a[1, 3]

3.21. ábra. Az adatáram szimulálása

Legrövidebb utak A legrövidebb utak minden csúcspárra való meghatározására vonatkozik a következő tétel. 3.25. tétel. (Legrövidebb utak meghatározása négyzeten.) A legrövidebb

utak egy gráf minden csúcspárjára egy négyzeten O(n lg n) lépésben meghatározhat Konvex burok n síkbeli pont konvex burka egy n-processzoros láncon O(n) idő alatt meghatározható (ld. 3.10. gyakorlat). Ez az idő nagy valószínűséggel lényegesen csökkenthető. Legyen H1 és H2 a síkbeli pontok két felső burka. 3.26. lemma. (Érintő számítása.) Legyen H1 és H2 két olyan felső burok, amelynek legfeljebb n pontja van. Ha P pontja H1 -nek, akkor √ a H2 -vel bezárt szöge O( n) lépésben meghatározható. 3.27. lemma. (Két felső burok közös érintője.) Ha H1 és H2 két felső √ burok legfeljebb n ponttal, akkor közös érintőjük O( n lg n) lépésben meghatározható. A két lemmából adódik a következő tétel. 3.28. tétel. (Konvex burok számítása.) n síkbeli pont közös konvex burka √ √ √ egy n × n méretű négyzeten O( n lg2 n) lépésben meghatározható.


161

(1, 1) (1.1, 4)

(2.2, 4) (3, 4.5)

(2, 6) (4.1, 6)

(4.1, 6) (4, 7.5)

(4.5, 5.5) (5, 5)

(6.5, 5)

(7, 6)

(6.3, 7) (6, 8)

(9, 6)

(8, 7)

(1, 1) (1.1, 4) (2, 6)

(1.1, 4)

(6.5, 5)

(7, 6)

(9, 6)

(8, 7)

(1.1, 4)

(2, 6)

(4, 7.5)

(9, 6)

(8, 7)

(6, 8)

(6.3, 7)

(b) (2, 6)

(4, 7.5) (4.1, 6)

(4.5, 5.5) (6, 8)

(4.1, 6)

(4.5, 5.5) (5, 5)

(a) (1, 1)

(2.2, 4) (3, 4.5)

(8, 7)

(1, 1)

(9, 6)

(c)

(d)

3.22. ábra. Felső burok számítása

3.12. példa. 16 pont konvex burka. A 3.22. ábra (a) része 16 pont adatait mutatja. Ezek az adatok egy 4 × 4 méretű négyzetnek megfelelően vannak

elrendezve. A 4 részre tagolt adatok minden negyedrészben az x-koordináták szerint rendezve tartalmazzák az adatokat (azonban nem sorfolytonosan, hanem kígyószerű sorrendben). A felső burok (rekurzív) kiszámításának eredményét mutatja az ábra (b) része. A két felső, és a két alsó negyedrész összefésülésének eredményét mutatja az ábra (c) része. Végül az ábra felső részén, illetve alsó részén ábrázolt burok összefésülésével kapjuk az ábra (d) részén bemutatott végeredményt.

Az összefésülés gyorsabb megoldásával csökkenthetjük az algoritmus

162

3. Rácsok

3.23. ábra. Két felső burok összefésülése

lépésszámát. A Felső-burkot-fésül algoritmus összesen legfeljebb a2 pontot tartalmazó felső burkokat O(a) lépésben összefésül. Felső-burkot-fésül(a, u, v)


Számítási modell: négyzetrács Bemenet: B1 és B2 (mindkettő legfeljebb

a2 2

pontot tartalmazó

felső burok) Kimenet: Y (p hosszúságú rendezett sorozat) 01 if l = 1 then legyen u a baloldali pont és v a jobboldali pont 02 Legyen p a H1 középső pontja. Keressük meg az érintőnek H2 -vel 03

közös pontja. Állapítsuk meg u és p relatív helyzetét.

04

Hagyjuk el H1 -nek azt a felét, amely nem tartalmazza u-t.

05

Hasonlóképpen hagyjuk el H2 felét is.

06 Ismételjük ezt a lépést addig, amíg H1 és H2 negyedrésze marad 07 Rendezzük át H1 és H2 megmaradó pontjait úgy, hogy az l/2 × l/2

08

méretű részrácsot a 3.23. ábra szerint foglalják el

09 Rekurzívan dolgozzunk a négyzeten

3.29. lemma. A Felső-burkot-fésül algoritmus egy a × a méretű


163

rácson O(a) lépésben összefésül két konvex burkot. Innen adódik, hogy a konvex burkot nagy valószínűséggel az előbbinél gyorsabban is meg tudjuk határozni. 3.30. tétel. (Konvex burok négyzeten.) A Konvex-burok-négyzeten algoritmus egy a × a méretű négyzeten O(a) lépésben meghatározza a2 pont konvex burkát.

Gyakorlatok 3.7-1. Mennyi a FOF és a LIFO elsőbbségi algoritmusok lépésszáma a 3.1. példa adatai esetében? 3.7-2. Egy p processzoros lánc minden processzoránál két csomag van. Feltesszük, hogy p páros. A Pi processzornál lévő csomagok rendeltetési helye a Pp/2+i (i = 1, 2, . . . ,

p 2

+ i). Minden csomag a számára

legrövidebb úton jut el a célba. Határozzuk meg a csomagok utazási idejét a FOF, FDF, FIFO és LIFO elsőbbségi módszerek esetében. 3.7-3. Egy a × a méretű rácsban minden processzortól legfeljebb k ≥ 1

csomag indul és minden processzorhoz legfeljebb k csomag érkezik. Tervezzünk algoritmust, amely legfeljebb

(k+1)p 2

lépésben megoldja a cso-

magirányítási feladatot. 3.7-4. Mutassuk meg, hogy egy p processzoros gyűrűben a PPR probléma

p 2

lépésben megoldható.

√ √ 3.7-5. Hogyan oldható meg a szuffixszámítási feladat egy p × p √ méretű rácson O( p) lépésben? √ √ 3.7-6. p elem közül kell a maximálisat megkeresni egy p × p méretű √ rács segítségével. Az A algoritmus T ( p) lépésben meghatározza p elem súlyozott mediánját. Hogyan használható fel A a keresésre és milyen

lépésszámot kapunk? 3.7-7. Legyen

f (x) = an xn + an−1 xn−1 + · · · + a1 x + a0 .

(3.9)

164

3. Rácsok

Tervezzünk algoritmust, amely láncon és rácson meghatározza az f (x) polinom értékét egy x = x0 helyen. Mennyi lesz a tervezett algoritmus lépésszáma? 3.7-8. Tekintsünk egy

√

√ p× p méretű négyzetet, melynek minden pro-

cesszorának memóriájában van egy, a [0, p ] intervallumból vett egész szám, ahol a (0, 1) intervallumból vett állandó. Tervezzünk algoritmust a legnagyobb kulcs kiválasztására. Mennyi lesz e tervezett algoritmus lépésszáma? 3.7-9. Valósítsuk meg a rangsorolási algoritmust egy rácson.

√

p×

√

p méretű

3.7-10. Mutassuk meg, hogy p pont konvex burka O(p) lépésben meghatározható egy p processzoros láncon. 3.7-11. Tervezzünk algoritmust, amely láncon és rácson meghatározza, hogy adott n pont között van-e 3 olyan pont, amelyek egy egyenesre esnek. Mit mondhatunk algoritmusaink lépésszámáról és a felhasznált processzorok számáról?

Feladatok

3-1. Csomagok irányítása közeli célokhoz Egy a × a méretű rácsban minden processzor legfeljebb egy üzenetet

küld és legfeljebb d távolságra. Tervezzünk csomagirányítási algoritmust, amely O(d) lépést tesz. 3-2. Csomagirányítás tóruszon

√ Módosítsuk úgy a Három-fázisú algoritmust, hogy tóruszon 1.5 p + o(p) lépést tegyen.


165

3-3. Palindrómák ellenőrzése Egy adott Σ ábécé feletti w = x1 x2 . . . xp szót akkor nevezünk palindrómának, ha w = xp xp−1 . . . x1 teljesül. Tervezzünk párhuzamos algoritmust, amely egy p processzoros láncon O(p) lépésben eldönti, hogy egy p hosszúságú szó palindróma-e. 3-4. Gyors Fourier-transzformált kiszámítása Tervezzünk algoritmust, amely egy p processzoros láncon O(p) lépésben kiszámítja egy p hosszúságú vektor FFT-jét (gyors Fourier-transzformáltját). Tervezzünk rácsot használó algoritmust az FFT kiszámítására. Milyen lépésszám érhető el? 3-5. Egycsomagos csomagirányítás √ √ Tegyük fel, hogy egy p × p méretű rácsban minden processzor pon-

tosan egy csomagot küld és pontosan egy csomagot fogad. Tervezzünk √ olyan csomagirányító algoritmust, melynek lépésszáma O( p), az igényelt sorhosszúsága pedig O(1).

3-6. Csoportokba rendezés láncon

Tegyük fel, hogy egy lg n processzoros lánc minden processzorának memóriájában n/ lg n kulcs van. Tervezzünk algoritmust, amely biztosítja, hogy P1 memóriájába kerüljön a legkisebb n/ lg n kulcs, P2 memóriájába a következő n/ lg n legkisebb kulcs, és így tovább, a legnagyobb indexű processzor memóriájába kerüljön a n/ lg n legnagyobb kulcs. Mutassuk meg, hogy ez a rendezés megoldható O(n) lépésben. 3-7. Soronkénti és oszloponkénti rendezés √ √ Mutassuk meg, hogy ha egy p× p méretű rácsban minden processzor memóriájában van egy kulcs és ezeket a kulcsokat először soronként,

166

3. Rácsok

azután oszloponként rendezzük, akkor a sorok és oszlopok is rendezettek lesznek. 3-8. Prefix számítása bináris fával Processzorok bináris fája (röviden: bináris fa) olyan teljes bináris fa, melynek minden csúcsában van egy processzor és az élek adatátviteli vonalak. A 4.8. ábra egy 4 levelű bináris fát mutat. A bemenő adatok rendszerint a fa levelein jelennek meg. A n levelű bináris fában 2n − 1

processzor van és a fa magassága dlg ne. Ha minden levélen van egy

szám, ezen számok összegét kiszámíthatjuk a következőképpen. Először minden levél elküldi a nála lévő számot a szülőjének. Ha egy belső processzor kap két számot alulról, akkor összeadja őket és az összeget elküldi a szülőjének. Ilymódon lg n lépés után a gyökérben megjelenik az összeg. Oldjuk meg a prefixszámítási problémát egy n levelű bináris fával. Kezdetben minden levélnél van egy elem. A prefixek értékét a levelekről lehet kivinni. Hogyan oldható meg a feladat O(n) lépésben? 3-9. Topologikus rendezés rácson Tervezzünk algoritmust, amely rács segítségével topologikusan rendez. 3-10. Körmentesség ellenőrzése Tervezzünk algoritmust, amely rácson ellenőrzi, hogy adott irányítatlan gráf tartalmaz-e kört? 3-11. Minimális feszítőfa 0-1 súlyok esetében Tegyük fel, hogy az irányított gráfok éleinek súlya nulla vagy egy lehet. Tervezzünk rácsalgoritmust, amely meghatározza a minimális feszítőfát.


167

3-12. Háromszög mátrix invertálása négyzeten Mutassuk meg, hogyan lehet egy a×a méretű háromszög mátrixot O(a) lépésben invertálni egy a × a méretű négyzeten. 3-13. Háromátlós mátrix invertálása négyzeten Mutassuk meg, hogyan lehet egy a×a méretű háromátlós mátrixot O(a) lépésben invertálni egy a × a méretű négyzeten. 3-14. Konvex burok területe Tervezzünk olyan algoritmust, amely egy a × a méretű négyzeten O(a)

lépésben meghatározza a2 pont konvex burkának területét.


4. Hiperkocka

Ebben a fejezetben először a felhasznált számítási modelleket mutatjuk be, azután speciális hálózatos (mint a csomagirányítás, üzenetszórás, adatkoncentráló), végül tipikus

soros” (mint a kiválasztás, össze”˛“ fésülés, rendezés, gráfokkal kapcsolatos problémák) feladatokat megoldó algoritmusokat elemzünk.

4.1. Számítási modellek Ebben az alfejezetben egyrészt a hiperkocka és pillangó számítási modelleket, másrészt hálózatok egymásba ágyazását tárgyaljuk. 4.1.1. Hiperkocka Az első fejezetben szereplő definíció szerint egy d dimenziós hiperkocka, amelyet Hd -vel jelölünk, 2d processzorból áll. Hd minden processzora

megcímkézhető egy d bites bináris számmal. A harmadik fejezetben lévő 3.3. ábra egy 3 dimenziós, a 4.1. ábra pedig egy 4 dimenziós hiperkockát ábrázol. A processzort és címkéjét ugyanazon szimbólummal jelöljük. Ha v egy d bites bináris szám, akkor v első bitjét tekintjük legmagasabb helyiértékűnek. Jelölje v(i) azt a d bites bináris számot, amely


169

4.1. ábra. 4 dimenziós hiperkocka.

v-től csak az i-edik bitjében tér el. Hd minden Pv processzorára igaz,

hogy az pontosan a Pv(i) (i = 1, 2, . . . , d) processzorokkal van összekapcsolva. A (v, v(i)) kapcsolatot i-edik szintű kapcsolatnak nevezzük. Mivel Hd minden processzora pontosan d másikkal van összekötve, így Hd

d-reguláris és a fokszáma d.

Az u és v bináris számok Hamming-távolsága

azon bitpozíciók

száma, amelyeken a két bináris szám eltér. Jele H(u, v). A Hd hiperkocka

bármely Pu és Pv processzora között van H(u, v) hosszúságú út. Ha

ugyanis u és v két processzor Hd -ben, akkor egy közöttük vezető út

megadható a következő módon. Legyenek i1 , i2 , . . . , ik azon bitpozíciók

(növekvő sorrendben) amelyeken Pu és Pv eltérnek. Ekkor létezik a következő útvonal: u = w0 , w1 , w2 , . . . , wk = v, ahol wj = wj−1 (i, j) (1 ≤

j ≤ k). Ebből következik, hogy egy d-dimenziós hiperkocka átmérője

pontosan d. A hiperkocka minden processzora egy helyi memóriával rendelkező RAM, amely minden alapvető műveletet (összeadás, kivonás, szorzás, osztás, összehasonlítás vagy a hozzáférés a helyi memóriához stb.) egységnyi idő alatt végez el. A processzorok közötti kommunikáció a processzorokat összekötő kapcsolatok mentén történik. Ha két pro-

170

4. Hiperkocka

cesszor között nincs közvetlen kapcsolat, akkor a kommunikáció az egyik processzortól a másikig vezető út mentén lehetséges, ám az adatátvitel időigénye egyenesen arányos az út hosszával. A kommunikáció egyidejűsége szempontjából kétféle hiperkockát különböztethetünk meg. Az első típus a soros vagy egyportos hiperkocka, amelynél egy processzor egységnyi idő alatt egyetlen szomszédjával képes kommunikálni. Ezzel szemben a párhuzamosvagy többportos hiperkocka egy processzora egységnyi idő alatt mind a d szomszédjával képes adatot cserélni. A továbbiakban mindig jelölni fogjuk, hogy melyik kommunikációs modellt használjuk. Mindkét megoldás szinkron processzorműködést tételez fel, azaz minden időegységben a processzorok mindegyike pontosan egy utasítást hajt végre. A hiperkockáknak több – számunkra kedvező – tulajdonsága is van. Az egyik a kicsi átmérő. Egy p processzoros hiperkockának az átmérője lg p, míg az azonos számú √ processzort tartalmazó rács átmérője legalább 2( p − 1). Egy másik

kedvező tulajdonság, hogy Hd+1 felépíthető rekurzívan. Vegyük ugyanis Hd két példányát, H0 -t és H00 -t. Egészítsük ki H0 processzorainak címkéjét a 0 prefixszel, H00 -ét pedig az 1 prefixszel. Ezután H0 minden

Pv processzorát kössünk össze H00 Pv(1) processzorával. Ez a tulajdon-

ság megfordítva azt is jelenti, hogy Hd+1 Hd -nek két példányát tartal-

mazza. Például azon processzorok, amelyek címkéjének első bitje 0, ha csak a közöttük futó kapcsolatokat vesszük figyelembe, pontosan kiadják Hd -t. Sőt, tetszőleges 1 ≤ q ≤ d-re, azon processzorok, amelyek

címkéjének q-adik bitje azonos, kiadják Hd -t. Még általánosabban, ha

rögzítjük i (1 ≤ i ≤ d + 1) bit értékét, a megadott feltételt kielégítő processzorok H(d+1)−i -t alkotnak.


171

4.1.2. Pillangó hálózat A pillangóhálózat közeli kapcsolatban áll a hiperkockákkal. A pillangóhálózatokra tervezett algoritmusok könnyedén átültethetők hiperkockákra és fordítva. Valójában gyakran könnyebb az adott probléma megoldását pillangóhálózaton elkészíteni, majd onnan átültetni hiperkockára. Egy d-dimenziós pillangóhálózat, amelyet Bd -vel fogunk jelölni, p = (d+1)2d

processzorból és d2d+1 élből áll. Bd minden processzora egy hr, li pár-

ral jellemezhető, ahol 0 ≤ r ≤ 2d − 1 és 0 ≤ l ≤ d. Az r változót a processzor sorindexének nevezzük, míg l a processzor szintje. Egy

Pu = hr, li processzor (0 ≤ l < d) Bd -ben két, az (l + 1)-edik szinten levő

processzorral van összekötve, a Pv = hr, l +1i és w = hr(l +1), l +1i processzorokkal. Az (u, v) kapcsolatot közvetlen kapcsolatnak, (u, w)-t pedig kereszt kapcsolatnak nevezzük. Mindkét típust (l + 1)-edik sz-

intű kapcsolatnak mondjuk. Mivel minden processzor pontosan négy másikkal van összekötve, így Bd csúcsainak fokszáma (d-től, illetve p-

től függetlenül) négy, ezért a d-dimenziós pillangó hálózat 4-reguláris és a fokszáma 4. Ha Pu egy 0-adik szintű processzor és Pv egy d-edik szintű, akkor létezik (és egyértelműen meg van határozva) egy d hosszúságú út Pu és Pv között. Legyen Pu = hr, 0i és Pv = hr0 , di. Ekkor az út hr, 0i, hr1 , 1i, hr2 , 2i, . . . , hr0 , di, ahol ri -nek az első i bitje mege-

gyezik r0 -vel, a többi pedig r-rel (1 ≤ i ≤ d − 1). Vegyük észre, hogy

ez az út létezik a pillangókapcsolatok definíciója miatt. Ezt az utat

mohó útnak nevezzük. A 4.2. ábrán B3 látható. A vastagított vonal a Pu = h100, 0 > és Pv = h010, 3i közötti mohó utat jelöli.

A fentiekből következik, hogy Bd -ben bármely két processzor távol-

sága legfeljebb 2d. A korlát éles, hiszen például a Pu = h0, di és Pv = h2d − 1, di processzorok távolsága pontosan ennyi, így Bd átmérője 2d.

A pillangóhálózat is rendelkezik a hiperkockához hasonló rekurzív tulajdonsággal. Ha Bd -ből eltávolítjuk a 0-adik szinten lévő processzorokat a

172

4. Hiperkocka 0. sor

1. sor

2. sor

3. sor

4.2. ábra. 4 sorban 32 processzort tartalmazó pillangó hálózat.

hozzájuk csatlakozó élekkel együtt, akkor a hálózat két (d−1)-dimenziós pillangóhálózatra esik szét. Hd és Bd között szoros kapcsolat van. Ha Bd minden sorát egyetlen

processzorba fogjuk össze, megtartva a kimenő éleket, akkor az eredményül kapott gráf Hd (a keletkező többszörös éleket egyetlen példánnyal helyettesítve). Ennek következményeként kapjuk a következő lemmát. 4.1. lemma (pillangó hálózat szimulálása). Bd minden végrehajtási lépése szimulálható egy párhuzamos Hd egyetlen lépésével vagy egy soros Hd d

lépésével.

Egy Bd algoritmust normálisnak nevezünk, ha minden időpillanat-

ban legfeljebb egy szint processzorai vesznek részt a kiszámításban.

4.2. lemma (normális algoritmus szimulálása). Egy normális Bd egy lépése

szimulálható egy soros Hd egyetlen lépésével.


173

3

a

d

1

2

b

G

c H

4.3. ábra. Példa beágyazásra.

4.1.3. Hálózatok beágyazása Egy hálózatnak egy másikra történő leképezését beágyazásnak nevezzük. Formálisan, a G(V1 , E1 ) hálózat beágyazása a H(V2 , E2 ) hálózatba, egy leképezés V1 -ről V2 -re. G-nek H-ra való leképezését felhasználva a G hálózatra tervezett algoritmusok lefuttathatók a H hálózaton. A 4.3. ábra bal oldalán látható G hálózat egy lehetséges beágyazása H-ba a következő leképezés: 1 → b, 2 → c, 3 → a.

A beágyazás felfúvódásának a |V2 |/|V1 | hányadost nevezzük. A

beágyazás késleltetésea leghosszabb út hossza, amelyre G-nek egy éle

leképződött. A H hálózat egy éle torlódásának nevezzük az adott élt használó olyan utak számát, amelyekre G valamely élét leképeztük. A beágyazás torlódása a H élei torlódásának maximuma. A 4.3. ábrán látható példában a felfúvódás mértéke 4/3, a késleltetés 2, mivel minden él egy-egy kettő hosszúságú útra képződött le. Hasonlóan a H összes élének torlódása 2, így az egész leképezés torlódása is 2. Gyűrű beágyazása A p processzoros gyűrű egy síkhálózat, amelyben a Pi (1 ≤ i ≤ p)

174

4. Hiperkocka P1 P6

P2

P5

P3 P4

4.4. ábra. 6 processzoros gyűrű.

processzor a Pi+1 és a Pi−1 processzorokkal van összekötve – ahol az indexeket (mod p) vesszük. A 4.4. ábra egy 6 processzoros gyűrűt ábrázol. Megmutatjuk, hogyan lehet egy 2d processzoros gyűrűt beágyazni Hd -be. Hd processzorait d bites bináris számokkal címkézzük. Ha a gyűrű processzorait 0-tól (2d − 1)-ig indexeljük a gyűrű mentén, akkor

a 0-s processzor Hd 000 . . . 00 jelű processzorára fog leképződni, a többi

processzor megfelelőjét a Gray-kód segítségével határozhatjuk meg.

A k-ad rendű Gray-kód – jele Gk – a k-bites bináris számok egy

adott permutációját definiálja. Az elsőrendű Gray-kód (G1 ) a következő:

0, 1. Gk -t (k > 1)-re rekurzívan definiáljuk a következőképpen: 0[Gk−1 ], 1[Gk−1 ]R, ahol 0[Gk−1 ] a (k − 1)-edrendű Gray-kód elemeit jelenti úgy, hogy mindegyikükhöz hozzáragasztunk egy 0 prefixet. Hasonlóképpen 1[Gk−1 ]R is a (k − 1)-edrendű Gray-kód elemeit jelenti, ám fordított sorrendben és 1-es prefixszel.

A 4.5. ábra azt mutatja, hogyan származtatható G2 a G1 kódból.

G0 elemei a nullás prefixszel a 00, 01 sorozatok adják, G1 elemeinek

megfordítása az egyes prefixszel pedig az 11, 10 sorozatot eredményezi. Tehát 0[G2 ] = 00, 11, 11, 10. A Gk i-edik elemét (0 ≤ i ≤ 2k − 1) g(i, k)-val jelöljük.

A Gray-kód egyik tulajdonsága, hogy a szomszédos elemek pontosan


175 0, 1 G1 0, 1

prefix nullával 00, 01

G1 megfordítás

1, 0 prefix egyessel 11, 10

G2

4.5. ábra. Gray-kód létrehozása.

egy bitben térnek el egymástól. Ebből az következik, hogy Gd a Hd

processzorainak egy olyan permutációja, hogy a sorban egymást követő processzorok össze vannak kötve éllel a hiperkockában, azaz a gyűrű i-edik processzorát (0 ≤ i ≤ 2d − 1) a hiperkocka g(i, d) processzorára képezzük le.

4.3. tétel (gyűrű beágyazása hiperkockába). Egy 2d processzorból álló gyűrű beágyazható Hd -be úgy, hogy a felfúvódás, a késleltetés és a tor-

lódás mindegyike 1.

Tórusz beágyazása Egy m × n tórusz származtatható egy m × n méretű rácsból úgy, hogy

a rács minden sorának első és utolsó processzorát, valamint minden

oszlopának első és utolsó processzorát is összekötjük: tehát a rácsot kiegészítjük a Pi,1 -Pi,m (1 ≤ i ≤ m) és P1,j -P1,n (1 ≤ j ≤ n) élekkel.

Már a 3 × 3 méretű tórusz ábrázolásához is 3 dimenzióra van szük-

ségünk. A 4.6. ábra egy 5 × 5 méretű tóruszt ábrázol.

Legyen M egy 2r × 2c méretű tórusz. Megmutatjuk, hogy M beá-

gyazható úgy egy hiperkockába, hogy a felfúvódás, a késleltetés és a torlódás mindegyike 1 legyen. Ez az állítás egyszerűen adódik az előző

176

4. Hiperkocka

4.6. ábra. 5 × 5 méretű tórusz.

fejezet végén kimondott lemmából. Van 2r sor és 2c oszlop M -ben. Korábban már láttuk, hogy ha egy d-dimenziós hiperkockában a d bitből valamely q-t rögzítjük (1 ≤ q ≤ d − 1), akkor a feltételnek megfelelő processzorok egy Hd−q alkockát alkotnak Hd -ben. Ha egy (r + c)-bites

bináris számnak rögzítjük az r legnagyobb helyi értékű bitjét (Most

Significant Bits = MSB) és a maradék c bitet tetszőlegesen variáljuk, a kapott 2c szám egy alkockát határoz meg Hr+c -ben. A fenti lemma

értelmében ebbe az alkockába beágyazható egy c processzorból álló gyűrű. Az r MSB minden lehetséges megválasztásához megvan a megfelelő Hc , így M minden sorát leképezhetjük egyre. Egészen pontosan az i-

edik sort azon Hc -re képezzük, amelyet úgy kapunk, hogy az r MSB

értékét pontosan g(i, r)-re állítjuk. Ebből következik, hogy általában a tórusz Pi,j processzora a Hr+c Pg(i,r),g(j,c) processzorára képződik. Így

minden sor szomszédos processzorai a hiperkocka szomszédos process-

zoraira képződnek. A fentihez hasonló gondolatmenettel belátható, hogy a megadott leképezés az oszlopok szomszédos elemeit is szomszédos processzorokra képezi. Ebből következik, hogy mind a felfúvódás a késlel-


177 001

b 000

(0, 0) a

(0, 1) b

(0, 2) c

(0, 3) d

e

f

g

h

(1, 0)

(1, 1)

(1, 2)

(1, 3)

101

c a

d

f 100

(a)

011

g e

010

111 h

110

(b)

4.7. ábra. Tórusz beágyazása hiperkockába.

tetés és a torlódás 1. A 4.7. ábra egy 2 × 4 méretű tórusznak a H3 pillangó hálózatba való

beágyazását mutatja (a processzoroknak csak az indexe szerepel). Az

ábra (a) részén ábrázolt tórusznak 2 sora (a nulladik és az első), valamint négy oszlopa (nulladik, első, második és harmadik) van. Például a tórusz P1,2 csúcsát a hiperkocka Pg(1,1)g(2,2) = P1,1,1, csúcsára képezzük le. Az ábrán mind a két csúcsot g betűvel jelöltük. Bináris fa beágyazása Egy d szintes (teljes) bináris fában p = 2d − 1 processzor van: P1 , P2 , . . . , Pp . Az adatszerkezetekkel kapcsolatos terminológia szerint a P1

processzort gyökérnek, a P(p+1)/2 , P(p+1)/2+1 , . . . , Pp processzorokat levélnek a többi processzort belső processzornak nevezzük. Ha Pi nem levél, akkor össze van kötve a gyerekeinek nevezett P2i és P2i+1 processzorokkal. Ha Pj nem a gyökér, akkor össze van kötve a szülőjének nevezett Pbj/2c processzorral. A 4.8. ábra egy 3 szintes bináris fa hálózatot ábrázol.

Bináris fák sokféle módon beágyazhatók hiperkockába. A következők-

178

4. Hiperkocka P1 P2 P4

P3 P5

P6

P7

4.8. ábra. 3 szintes bináris fa hálózat.

000

000 000

000

001

100 010

010

011

100

100

101

110

110

111

4.9. ábra. Bináris fa beágyazása hiperkockába.

ben megmutatjuk, hogy egy F p levelű (teljes, bináris) fa (ahol p = 2d ) beágyazható Hd -be. Mivel a p levelű fának 2p − 1 processzora van, így a

leképezés nem lehet kölcsönösen egyértelmű. Ha a leveleket 0, 1, . . . , p−1 jelöli, akkor képezzük az i-edik levelet Hd i-edik processzorára. F belső

processzorait pedig képezzük arra a processzorra, amelyre az adott processzor legbaloldalibb leszármazottját képeztük. A 4.9. ábrán egy 8 levelű bináris fa csúcsainak leképezését láthatjuk. A fa csúcsai melletti bitsorozat a H3 hiperkocka megfelelő csúcsának

címkéje. Például a hiperkocka 0,0,0 csúcsára a fa 4 csúcsát képeztük le, míg az 1,1,1 csúcsra csak a fa egyetlen csúcsát.

A megadott beágyazás segítségével fa algoritmusokat hatékonyan szimulálhatunk soros hiperkockákkal. Ha a fa algoritmusban a számítás

 Vissza a tartalomhoz 4.2. Csomagirányítás

179

egy lépésében a fának legfeljebb egy szintjén lévő processzorok vesznek részt, akkor az a lépés a hiperkocka egyetlen lépésével szimulálható.

4.2. Csomagirányítás A probléma: minden processzor legfeljebb egy csomagot küld és minden processzor legfeljebb egy csomag címzettje. Juttassuk el a csomagokat a feladótól a címzettekhez. 4.2.1. Mohó algoritmus Tekintsük a csomagirányítási problémát először egy pillangóhálózaton, ahol kezdetben minden csomag a nulladik szinten helyezkedik el, a címzett processzorok pedig a d-ediken, azaz a címzett sorok a küldő sorok egy parciális permutációját alkotják. A mohó megoldás a csomagirányítási problémára ekkor az, hogy minden csomagot a mohó úton küldünk címzettjéhez. Ekkor minden csomag pontosan d hosszúságú utat tesz meg, így a továbbiakban az algoritmus vizsgálatához csak azt kell megvizsgálnunk, hogy mennyi késleltetést szenvedhet el egy csomag útja során. Legyen u = hr, li egy tetszőleges processzor Bd -ben. Ekkor legfeljebb 2l

csomag mehet keresztül u-n, hiszen a hálózat minden processzorának (a nulladik szintet kivéve) pontosan két szomszédja van a felette levő szinten. Hasonlóan a processzoron átmenő minden csomag címzettje az u-ból elérhető 2d−l d-edik szinten levő processzor valamelyike. Ebből az következik, hogy az u processzorba befutó bármelyik l-edik szintű élen legfeljebb min(2l−1 , 2d−l ) csomag osztozik. Legyen most p egy tetszőleges csomag. p egy l-edik szintű élen áthaladva legfeljebb min(2l−1 , 2d−l ) késleltetést szenved el (l = 1, 2, . . . , d). Így a maximális késleltetés, ami összesen egy csomagot érhet: D=

d X l=1

min{2l−1 , 2d−l } .

(4.1)

180

4. Hiperkocka

Az általánosság megszorítása nélkül feltehetjük, hogy d páros. Ekkor D felírható a következőképpen: D =

d/2 X

2l−1 +

l=1

d X

2d−l

(4.2)

l=d/2+1

= 2 ∗ 2d/2 − 2 = Θ(2d/2 ) .

(4.3) (4.4)

Az O(2d/2 ) érték felső korlát a maximális sorhosszúságra, ugyanis – mint láttuk – egy l-edik szintű processzoron legfeljebb min(2l−1 , 2d−l ) csomag haladhat át. Ezen érték maximuma (l = 1, 2, . . . , d-re) pedig 2d/2 . 4.4. tétel (mohó algoritmus lépésszáma). A mohó algoritmus Bd -n O(2d/2 ) időben fut, a maximális sorhosszúság szintén O(2d/2 ). 4.2.2. Véletlenített algoritmus A véletlenítés, mint oly sokszor korábban, itt is számottevően javíthatja az előbb említett mohó algoritmus tulajdonságait. Már a rácsokon értelmezett csomagirányítási feladatoknál is alkalmaztuk azt a megoldást, hogy a csomagot először egy véletlenszerűen választott közbülső állomásra küldjük, majd onnan továbbítjuk eredeti céljához. Ezzel a megoldással elérhetjük, hogy a csomagok nagy valószínűséggel nem találkoznak egyetlen másik csomaggal sem útjuk során, aminek következtében az egyes élek menti torlódás kialakulásának valószínűsége jelentősen csökken. Ezt a stratégiát követjük a pillangóhálózatok esetében is. A probléma tehát az eredeti, a javasolt megoldás pedig a következő Három-fázisú algoritmus: 1. fázis. A csomagot egy véletlenszerűen választott közbülső címre irányítjuk a d-edik szinten. 2. fázis. A csomagot az eredeti céljának megfelelő sorba irányítjuk,


181

u

u

r

v

r

1. fázis

v 2. fázis

u

3. fázis r

v

4.10. ábra. Véletlenített csomagirányítás 3 fázisa.

ám a nulladik szinten. 3. fázis. A csomagok elérik tényleges céljukat a d-edik szinten. A 4.10. ábra szemlélteti az algoritmus 3 fázisát. Az ábrán r a d-edik szint egy véletlenül választott csúcsa. u és v a vizsgált csomag kezdeti, illetve végső helye. A vastagított élek mutatják, hogy r az első fázisban eljut a dedik szintre, onnan a második fázisban a nulladik szintre, végül a harmadik fázisban a csomag célba ér. A harmadik fázisban a csomagok végig a közvetlen éleken közleked-

182

4. Hiperkocka

nek, így akkor torlódás nem léphet fel, ezért a harmadik fázis végrehajtása pontosan d lépést igényel. A második fázis az első fázis inverze, tulajdonságai megegyeznek az első fáziséval, így a továbbiakban elegendő azt vizsgálni, hogy megkapjuk a teljes algoritmus lépésszámát. Ehhez felhasználjuk majd a következő definíciókat és lemmát. Legyen P utak egy halmaza egy hálózatban. Azt mondjuk, hogy P nem ismétlődő úthalmaz, ha bármely két útra a P halmazból igaz, hogy a metszetük üres vagy összefüggő, azaz ha találkoznak, akkor egy darabig együtt mennek, majd szétválás után nem találkoznak többé. Két csomagot átfedőnek mondunk egy hálózatban, ha az általuk megtett utak legalább egy közös élt tartalmaznak. 4.5. lemma (sorban állási lemma). Legyen P utak halmaza egy hálózatban, amelyeken csomagok haladnak. Ha P nem ismétlődő úthalmaz, akkor tetszőleges p csomag késleltetése legfeljebb akkora, mint a p-vel átfedő csomagok száma. Bizonyítás. Legyen p egy tetszőleges csomag. Ha egyetlen p-vel átfedő csomag sem késlelteti p-t egynél több alkalommal, akkor az állítás teljesül. Tegyük fel, hogy valamely q p-vel átfedő csomag kétszer is késlelteti p-t. Ekkor q maga is késleltetve volt egy p-vel átfedő másik csomag által, amely így már nem fogja késleltetni p-t.

4.2.3. Az első fázis elemzése Legyen π egy tetszőleges csomag, jelölje továbbá ei az az élt amelyen π az i-edik szinten áthalad (1 ≤ i ≤ d). A sorbaállási lemma alapján π késlel-

tetésének meghatározásához elegendő meghatározni a π-vel átfedő csomagok számát. Jelöljük ni -vel azon csomagok számát, amelyek útvon-


183

alában szerepel ei . Ekkor D=

d X

(4.5)

ni

i=1

felső korlát a π-vel átfedő csomagok számára. Tekintsük most az ei élet. Ezen az élen legfeljebb 2i − 1 csomag halad keresztül, mivel ennyi processzor van a nulladik szinten amelyek mohó útvonalában szerepelhet ei . Minden ilyen csomag

1 2i

valószínűséggel halad át az ei élen mivel min-

den, a nulladik szintről induló, csomag

1 2

valószínűséggel választja vagy a

közvetlen- vagy a keresztélt minden szinten, egymástól függetlenül, i szinten keresztül, míg áthalad ei -n. Így az ni értéke B(2i−1 , 21i ) binomiális eloszlású, melynek várható értéke 12 . Ebből következik, hogy D várható értéke a várható értékek összege, azaz d2 . Most megmutatjuk, hogy a teljes késleltetés nagy valószínűséggel O(d). A D változónak B(d, 12 ) egy felső korlátja. A Csernov-egyenlőtlenséget felhasználva az alábbi egyenlőtlenségeket kapjuk:

P [D > eαd] ≤ < ≤ <

!eαd

d/2 eeαd−d/2 eαd 1 eαd eαd e 2eα 1 eαd 2eα 2−eαd

< p−α−1 ,

(4.6) (4.7) (4.8) (4.9) (4.10)

ahol α ≥ 1 és kihasználtuk azt a tényt, hogy d = Θ(lg p). Mivel a

csomagok száma p-nél kisebb, így annak a valószínűsége, hogy legalább egyikük 2eαd-nél nagyobb késleltetést szenved, kisebb, mint p−α−1 p = p−α . Ezzel bebizonyítottuk a következő tételt.

4.6. tétel (Véletlen-csomag-irányít lépésszáma). A Véletlen-csomagirá- nyít algoritmus Bd -n O(d) lépést tesz.


4. Hiperkocka

Mivel bármely hálózatban a hálózat átmérője alsó korlát a csomagirányítási probléma maximális lépésszámára, így a fenti algoritmus nagy valószínűséggel aszimptotikusan optimális. A sorméret elemzése Az algoritmus várakozási sorok mérete szintén O(d). Legyen vi egy iedik szintű processzor. A vi -n potenciálisan átmenő csomagok száma 2i . Minden ilyen csomag 1/2i valószínűséggel halad át vi -n, így az áthaladó csomagok várható értéke 1. A Csernov-egyenlőtlenség felhasználásával megmutatható, hogy az áthaladó csomagok száma O(d).

4.3. Alapvető algoritmusok Ebben a fejezetben alapvető problémák – üzenetszórás, prefixszámítás, adat koncentráció – megoldására mutatunk hiperkocka algoritmusokat. Mindezen algoritmusok lépésszáma O(d). Mivel a hálózat átmérője minden nem triviális probléma megoldásánál alsó korlát a lépésszámra, így ezek aszimptotikusan optimális algoritmusok. 4.3.1. Üzenetszórás fában Az üzenetszórás problémája egy hálózatban azt a feladatot jelenti, amikor egy üzenetet valamely processzortól el kell juttatni a hálózathoz tartozó összes többi processzorhoz (vagy esetleg azok egy részhalmazához). Az üzenetszórást sokszor más algoritmusokba beépítve használjuk. A feladatot a Fát-kockába algoritmus segítségével oldjuk meg, amely a bináris fa architektúrának hiperkockába való beágyazásán alapul. Feltesszük, hogy az elküldendő üzenet a fa gyökerében található. Ez a processzor két másolatot készít a csomagról és elküldi a két leszármazottjának. Ha a fa egy belső processzora kap egy csomagot, akkor arról egy-egy másolatot továbbküld gyerekeinek. Ez folytatódik mindaddig, amíg minden

4.3. Alapvető algoritmusok

185

levélen megjelenik az üzenet egy példánya. 4.7. tétel (üzenetszórás fában). A fában való üzenetszórást a Fát-kockába algoritmus egy soros Hd hiperkockán Θ(d) lépésben oldja meg. Bizonyítás. A beágyazott bináris fa magassága d, így O(d) lépés után minden levél processzor ismerni fogja az üzenetet. Az algoritmus végrehajtásakor minden időegységben a fának pontosan egy szintjén elhelyezkedő processzorok dolgoznak, más szóval az algoritmus normális, így egy lépése – amint azt a bináris fáknak a hiperkockába ágyazásakor megmutattuk – Hd -nek pontosan egy lépésével szimulálható.

Másrészt legrosszabb esetben legalább egy levélhez el kell juttatni

az üzenetet, ezért a fenti beágyazásra W (d, Fát-kockába) = Ω(d).

4.1. példa. Üzenetszórás 4 levelű fában. A 4.11. ábra egy 3 szintes fát mutat, melyben a gyökérben lévő üzenetet juttatjuk el a többi csúcshoz. Az ábra első része azt mutatja, hogy az első lépésben az üzeneteket a gyökércsúcs gyerekei kapják meg. A középső részen az üzenetek a gyerekek gyerekeihez, azaz a levélcsúcsokhoz jutnak el. Végül az ábra harmadik része a végső állapotot mutatja, amelyben már minden csúcs megkapta az üzenetet. Mivel a fát úgy ágyaztuk be a hiperkockába, hogy a fa különböző szintjein lévő processzorok a hiperkocka különböző processzorára képződjenek le, H2 két lépésben megoldja a feladatot.

4.3.2. Prefixszámítás fán Ezen feladat megoldásához ismét a bináris fa beágyazását fogjuk felhasználni. Legyen xi a bemenet a 2d levelű bináris fa i-edik levelén. Az alább bemutatott Prefix-fában algoritmus két fázisban számítja ki az eredményt. Az első (felfelé haladó) fázisban az adatok felfelé áramlanak a bináris fában, a gyökér felé. A második fázisban (lefelé haladó)

186

4. Hiperkocka

*

*

*

* 000 001

*

010 011 000 001

1. lépés

* *

* *

010 011 000 001

*

*

010 011

2. lépés

4.11. ábra. Üzenetszórás 4 levelű fában.

az adatok a gyökér felől haladnak a levelekhez. Mindkét fázis minden lépésében a bináris fának pontosan egy szintje vesz részt a számításban, azaz az algoritmus normális. Felfelé haladó fázis. A levelek elküldik az xi -ket a szülő csúcsoknak. A fa egy tetszőleges belső csúcsa, amennyiben két elemet kap (y-t a bal és z-t a jobb oldali leszármazottjától), akkor kiszámítja a w = y + z értéket, tárolja w-t és y-t, majd elküldi w-t a szülőjének. Az első fázis végére minden processzor kiszámítja és tárolja a hozzá tartozó részfában levő bemeneti elemek összegét. Így a gyökér az összes elem összegét tartalmazza. Lefelé haladó fázis. A gyökérben levő processzor elküld egy nullát a bal oldali gyerekének és y-t a jobb oldalinak. Egy tetszőleges belső processzor ha q értéket kapja a szülőjétől, akkor elküldi q-t a bal oldali és q ⊕ y értéket a jobb oldali gyerekének. Az i-edik levél processzor,

ha a szülőjétől a q értéket kapja, akkor kiszámolja és végeredményként tárolja az xi + q értéket. Az algoritmus felfelé haladó fázisában minden processzor a hozzá tartozó részfa leveleiben tárolt számok összegét számolja ki. Legyen Pv egy processzor és jelöljük Pv0 -vel Pv részfájának legbaloldalibb levele. Ekkor a lefelé haladó fázis során a Pv által kapott q értéke, azaz q a Pv0 től balra eső elemek összege. Az észrevétel felhasználásával az algoritmus


187

13 5 5 5

8 8

1 1

3 3

5

0

4 1 8

(a)

1

3

5

1 8

5

3

13

5

13

8

1 (d)

1 (c)

13 5

13

5

(b)

0

13

1

5

14 3

5

1 13

14

17

(e)

4.12. ábra. Prefixszámítás bináris fán.

helyessége egyszerűen bizonyítható. Az algoritmus mindkét fázisa d − 1

lépést igényel. Mivel minden időpillanatban a fának pontosan egy szintje aktív, így az algoritmus minden lépése szimulálható Hd egy lépésével. 4.2. példa. Prefixszámítás fán. A 4.12. ábrán egy 4 levelű fa leveleiben vannak az 5, 8,1 és 4 számok. A feladat a megfelelő prefixek számolása, ha az elvégzendő művelet az összeadás. Az ábra (a) része szerint minden levél elküldi a tárolt számot a szülőjének. A (b) ábrarész szerint a szülők tárolták a bal oldali gyereküktől kapott értéket (a kiszámított összeget is, de ezt az ábra nem mutatja), és szülőjüknek elküldték a kapott 2 szám összegét.

4.8. tétel (prefixszámítás fán és pillangón). A Prefix-fán algoritmus a prefixszámítást 2d levelű bináris fán, valamint Hd -n is Θ(d) lépésben

oldja meg.

Összegzési feladatnak nevezzük az x1 ⊕x2 ⊕· · ·⊕xn kifejezés értékének

188

4. Hiperkocka

kiszámítását adott xi -khez. A fenti algoritmus felfelé haladó fázisának végére kiszámítja ezt az összeget, így az összegzési feladat megoldásához szükséges idő a fele az összes prefix kiszámításához szükséges időnek. 4.3.3. Adatkoncentráció Legyen egy Hd hiperkocka k(k < p) processzorán egy-egy elem elhelyezve. A feladat, hogy mozgassuk ezen elemeket a hiperkocka P0 , P1 , . . . , Pk−1 processzoraira (processzoronként egy elemet elhelyezve). Ha meg tudjuk határozni, hogy melyik elemet melyik processzorra kell juttatnunk, akkor a 4.2.2. pontban vizsgált véletlenített Háromfázisú csomagirányítási algoritmus segítségével O(d) lépésben megtehetjük ezt. Ez az algoritmus párhuzamos (többportos) hiperkockát feltételez. Van azonban egy jóval egyszerűbb, determinisztikus algoritmus is a feladat megoldására. Pontosabban a feladatra adunk egy normális megoldást pillangóhálózaton, majd felhasználjuk az ide vonatkozó beágyazási lemmát. Előtte azonban vizsgáljuk meg a pillangóhálózatok két tulajdonságát, amelyekre az algoritmus elemzésekor hivatkozni fogunk. 1. tulajdonság. Ha egy pillangóhálózatból eltávolítjuk a d-edik szint összes processzorát és a hozzájuk kapcsolódó éleket (lásd 4.13. ábra), két d−1 szintes pillangóhálózatot kapunk eredményül. Az egyik hálózat az eredetinek a páros sorait tartalmazza, így ezt páros alhálózatnak nevezzük, a másik a páratlanokat, így az a páratlan alhálózat. 2. tulajdonság. A nulladik szint bármely processzora a leszármazottaival együtt egy 2d levelű bináris fát alkot, amelynek levelei pontosan a d-edik szintű processzorok. Ezek után felvázolhatjuk az adatkoncentráció problémájának megoldó algoritmusát.


189

sor 000 001 010 011 100 101 110 111 0. szint

1. szint

2. szint

3. szint 4.13. ábra. A d-edik szinten lévő processzorok és élek eltávolítása.

4.3.4. Kisszámú elem rendezése hiperkockán A ritka leszámláló rendezés problémája már szerepelt a harmadik fejezetben. Legyen X = k0 , k1 , . . . k√p−1 , ahol p = 2d . Az általánosság megszorítása nélkül feltehető, hogy d páros. Tegyük fel, hogy a bemenő adatok a hiperkocka azon processzorain vannak (processzoronként egy kulcs), melyek címkéjét úgy kapjuk, hogy a címkék d bitje közül az első d2 -t nullának választjuk. A rendezett sorozatot ugyanezen processzorokon állítjuk elő kimenetként. Legyen Pv a Hd hiperkocka egy processzora. Pv címkéje hi, ji párként

is felfogható, ahol i az első

d 2

bit, j pedig a második

j 2

bit. Azok a

processzorok, melyek címkéjének első fele i (0 ≤ i ≤ 2

d/2

− 1), egy

Hd hiperkockát alkotnak. Ezt a hiperkockát Hd i-edik sorának fogjuk nevezni. Hasonlóképpen határozzuk meg a hiperkocka j-edik oszlopát.

A rendezendő kulcsok kezdetben a nulladik sor processzorain vannak. Az egyértelműség kedvéért tegyük fel, hogy az r rangú kulcs kimenetként a h0, r − 1i (0 ≤ r ≤ 2d/2 ) processzoron fog megjelenni.

190

4. Hiperkocka

A Keveset-kockán algoritmus a következőképpen működik. Keveset-kockán(X, Y )


Számítási modell: hiperkocka Bemenet: X = k0 , k1 , . . . , k√p−1 (rendezendő kulcsok) Kimenet: Y = l0 , l1 , . . . , l√p−1 (rendezett kulcsok) 01 Oj in parallel for j ← 1 to

√

p−1

szórja kj -t úgy, hogy minden sor

megkapja X egy másolatát √ 02 Si in parallel for i ← 1 to p − 1

számítsa ki rangját úgy, hogy a sor minden processzorához szétszórja ki -t, majd a bemenet minden

elemével összehasonlítja, és összeget számol √ 03 Si in parallel for 0 ≤ i ≤ p − 1 szórja szét a sorban ki rangját √ 04 Si in parallel for i ← 0 to p − 1 if r(ki ) = ri

then hi, ri − 1i szórja ki -t Oi

processzoraihoz úgy, hogy

végül h0, ri − 1i megkapja

azt a kulcsot, amelynek kiviteléért felelős A lépészám a következő. 4.9. tétel (ritka leszámláló rendezés kockán). A Keveset-kockán al√ goritmus legfeljebb p kulcs ritka leszámláló rendezését egy Hd hiperkockán Θ(d) lépésben végzi el.

Bizonyítás. Az algoritmus csak olyan műveleteket végez, amelyben egy sor vagy oszlop processzorai vesznek részt. Az elvégzett műveletek mindegyike – prefixszámítás, üzenetszórás, összehasonlítás – O(d) lépésben

 Vissza a tartalomhoz 4.4. Kiválasztás

191

elvégezhető, és legrosszabb esetben Ω(d) lépést igényel.

4.4. Kiválasztás Az egyszerű kiválasztás célja, hogy adott n kulcs közül az i-edik (1 ≤

i ≤ n) legkisebbet meghatározzuk. A korábbiakhoz hasonlóan két esetet

vizsgálunk: az egyikben a processzorok p száma megegyezik a kulcsok n számával, a másikban pedig a processzorok száma kisebb, mint a kulcsoké. Három algoritmust mutatunk be, mindegyik pillangó hálózaton fut. Az elsőnél p = n, a másik kettőnél p < n. Az első nagy valószínűséggel munkahatékony, a másik kettő viszont nem az. 4.4.1. Véletlenített algoritmus a p = n esetre (∗) A PRAM-on futó munkahatékony véletlenített algoritmus alkalmazható hiperkockán is. A Kockán-kiválaszt fokozatainak száma O(1). A PRAM-kiválaszt első lépése hiperkockán O(1) lépést vesz igénybe. A 2. és 5. lépésekben szükséges prefixszámítás összesen O(d) lépésben elvégezhető. A 3. és 6. lépésekben a koncentrálás ugyancsak megoldható O(d) lépésben. A 3. és 6. lépésekben szükséges ritka rendezés ugyanennyi lépést vesz igénybe. Mivel a 4. és 6. lépésben rendezett sorozatból kell kiválasztani, ezért az O(1) lépésben megoldható. A 2., 4. és 5. lépésben lévő üzenetszórás lépésigénye O(d). Innen adódik a következő tétel. 4.10. tétel (kiválasztás hiperkockán). Ha p = n, akkor a Kockánkiválaszt algoritmus a kiválasztási feladatot a Hd hiperkockán O(d) idő alatt megoldja.

192

4. Hiperkocka

4.4.2. Véletlenített algoritmus a p < n esetre (∗) Tegyük fel, hogy > 1 és n = p . A PRAM modellen futó Véletlenkiválaszt algoritmus módosított változata a rácsokhoz hasonlóan most is alkalmazható. A Kockán-vél-kiválaszt algoritmus esetén minden processzor n/p kulccsal kezd. A while utasítás feltételét (N > D)-re változtatjuk (ahol D állandó). Az első lépésben minden processzor minden kulcsa 1/(N 1−(1/3c) ) valószínűséggel lesz a mintában.Ezért ez a lépés ebben az esetben n/p lépésig tart. A második lépés változatlan és O(d) lépést vesz igénybe. A 3. lépésben a koncentrálás és a ritka leszámláló rendezés is végrehajtható O(d) lépésben. A 4., 5. és 6. lépések szintén végrehajthatók O(d) lépésben. Így minden fokozat O(n/p + d) lépést vesz igénybe. Az algoritmusnak O(lg lg n) fokozatra van szüksége. A 6 lépésre külön kapott becslések összegét a fokozatszámra kapott becsléssel összeszorozva kapjuk a következő tételt. 4.11. tétel (kiválasztás hiperkockán). Ha c > 1 és n = pc , akkor a kiválasztási feladat a Hd hiperkockán O (((n/d) + d) lg lg p) idő alatt megoldható.

4.4.3. Determinisztikus algoritmus a p < n esetre A négyzeten futó kiválasztó algoritmus adaptálható hiperkockára. Az így kapott Kockán-det-kiválaszt algoritmus lépésszámának elemzése hosszú, csak az eredményét adjuk meg. 4.12. tétel (kiválasztás hiperkockán). Ha p < n, akkor a Kockándet-kiválaszt algoritmus a kiválasztási feladat a Hd hiperkockán O

lépésben megoldja.

n p

lg lg p +

4.4. Kiválasztás Processzor

193 000

001

010

011

100

101

110

111

5 10 6 4 27

20 15 7 16 23

18 24 12 13 32

35 42 3 19 22

63 71 1 2 55

21 9 36 47 26

62 51 45 8 30

11 28 17 81 25


23

24 32

35 42

63 71 55

36 47 26

62 51 45 30

28 81 25

A súlyozott médián 36. -

-

-

42

63 71 55

47

62 51 45

81

4.14. ábra. Kiválasztás 8 elem közül

4.3. példa. Legnagyobb elem kiválasztása hiperkockán Tegyük fel, hogy a H3 hiperkocka minden processzorának memóriájában 5-5 kulcsot helyezünk

el – ahogyan azt a 4.14. ábra mutatja. A feladat a harminckettedik legkisebb elem kiválasztása. Először minden processzor meghatározza saját kulcsainak mediánját – ezeket az ábra felső részén bekarikáztuk. Ezen mediánok rendezett sorozata 6, 16, 18, 22, 25, 26, 45, 55. Mivel most minden processzornál 5-5 kulcs van, a súlyozott médián megegyezik a mediánnal, ami 22. Ezután meghatározzuk M = 22 rangját, ami 21. Mivel i = 32 > 21, a 22-nél kisebb vagy vele egyenlő kulcsokat elhagyjuk. i frissített értéke 32 − 21 = 11 lesz. Ezzel a while ciklus

egy menetét befejeztük.


4. Hiperkocka

A while ciklus következő menetében 19 elemmel kezdünk. Az ábra középső részén bekarikáztuk a helyi mediánokat. A mediánok rendezett sorozata 23, 24, 27, 28, 35, 36, 45, 63, a megfelelő súlysorozat pedig 1, 2, 1, 3, 2, 3, 4, 3, így a súlyozott médián 36. Elhagyjuk a kis kulcsokat és i = 11 − 10 = 1 lesz az új i érték. Ezzel vége a while ciklus következő menetének.

Így folytatva megkapjuk, hogy a kiválasztás eredménye a megmaradt 9 szám közül a legkisebb, a 42.

4.5. Összefésülés Amint már láttuk az előző két fejezetben, az összefésülés célja, hogy két rendezett sorozatból a két sorozat minden elemét tartalmazó, rendezett sorozatot állítsunk elő. Beláttuk, hogy ez a feladat hiperkockán – m hosszúságú bemenő sorozatokra – m2 processzoron O(lg m) idő alatt megoldható. A számítási modell most is a hiperkocka lesz, de csak 2m processzort használunk (feltéve, hogy m 2 hatványa). 4.5.1. Páratlan-páros összefésülés Legyen X1 = k0 , k1 , . . . , km−1 a két összefésülendő rendezett sorozat, ahol 2m = 2d . Először szétválasztjuk X1 és X2 páros és páratlan részét. Legyenek ezek O1 , E1 , O2 és E2 . Ekkor E1 -et rekurzívan összefésüljük O2 -vel, az eredmény A = a0 , a1 , . . . , am−1 . Ugyanígy kapjuk B = b0 , b1 , . . . , bm−1 et O1 -ből és E2 -ből. Ezután A és B összekeverésével kapjuk a C = a0 , b0 , a1 , b1 , . . . , am−1 , bm−1 sorozatot, majd rendre összehasonlítjuk (és szükség esetén felcseréljük ai -t és bi -t (0 ≤ i ≤ m − 1). Az algoritmus helyessége belátható a 0-1-elv segítségével.

4.4. példa. 2 × 4 elem összefésülése. Legyen X1 = 7, 11, 24, 30 és X2 =


195

2, 4, 27, 45. Ebben az esetben O1 = 11, 30 és E1 = 7, 24, O2 = 4, 45 és E2 = 2, 27. E1 és O2 összefésülésével A = 4, 7, 24, 45 adódik. Hasonlóképpen B = 2, 11, 27, 30. A és B összekeverésének eredménye C = 4, 2, 7, 11, 24, 27, 45, 30. Ha a 4-et és 2-t, valamint a 45-öt és 30-at felcseréljük, akkor az eredmény 2, 4, 7, 24, 27, 30, 45.

A módosított algoritmust könnyű a Bd pillangón megvalósítani. Pél-

dául X1 és X2 páros és páratlan részre való felbontása a pillangó hálózaton egy lépésben elvégezhető. A keverési művelet szintén könnyen elvégezhető. tegyük fel, hogy X1 és X2 is a Bd pillangó hálózat d-edik szintjének bemenő adatai.

Legyen X1 a bemenet az első m sorban és X2 a második m sorban. Az algoritmus első lépése X1 és X2 szétválasztása páratlan és páros részre. Ezután rekurzívan összefésüljük E1 -et O2 -vel és O1 -et E2 -vel. Ennek érdekében az első m sorban lévő kulcsokat a közvetlen éleken, a többi kulcsot a keresztéleken mozgatjuk (lásd 4.15. ábra). 4.13. tétel. Ha m = 2d , akkor két m hosszúságú lista mind a Bd pil-

langó hálózaton, mind pedig a Hd hiperkocka hálózaton összefésülhető O(d) idő alatt.

4.5.2. Biton összefésülés A K = k0 , k1 , . . . , kn−1 sorozatot biton sorozatnak nevezzük, ha rendelkezik a következő két tulajdonság valamelyikével: a) van olyan j (0 ≤ j ≤ n − 1) index, amelyre k0 ≤ k1 ≤ . . . ≤ kj és

kj ≥ kj+1 ≥ . . . ≥ kn−1 ;

b) van olyan j (1 ≤ j ≤ n − 1) index, amelyre a K sorozat K 0 =

kj+1 , kj+2 , . . . , kn−1 , k1 , k2 , . . . , kj−1 ciklikus eltoltja rendelkezik az előző tulajdonsággal. Megmutatjuk, hogyan lehet rendezni egy biton sorozatot pillangó


4. Hiperkocka Processzor

000

001

010

011

100

101

110

111

5 10 6 4 27

20 15 7 16 23

18 24 12 13 32

35 42 3 19 22

63 71 1 2 55

21 9 36 47 26

62 51 45 8 30

11 28 17 81 25


23

24 32

35 42

63 71 55

36 47 26

62 51 45 30

28 81 25

A súlyozott médián 36. -

-

-

42

63 71 55

47

62 51 45

81

4.15. ábra. Páratlan-páros összefésülés pillangón.

hálózaton. Az első lépésben – ahogyan ezt a 4.16. ábra mutatja – a nulladik szint processzorai mind a közvetlen, mind a kereszt éleken elküldik a kulcsukat. Az első szint processzorai felülről 2-2 kulcsot kapnak. 4.14. tétel. Egy 2d hosszúságú biton sorozat mind a Bd pillangó hálózaton, mind pedig a Hd hiperkocka hálózaton rendezhető O(d) idő alatt.

4.6. Rendezés Ebben az alfejezetben hiperkocka és pillangó hálózat lesz a számítási modell.

4.6. Rendezés

197 k0

k1

k2

k3

k4

k5

k6

k7 0. szint

1. szint

2. szint

3. szint sor 000 001 010 011 100 101 110 111 4.16. ábra. Bitonikus összefésülés pillangó hálózaton.

4.6.1. Páratlan-páros összefésülő rendezés Első algoritmusunk a Páros-páratlan-fésül-rendez egy megvalósítása. Jelöljük R(d)-vel algoritmusunk lépésszámát Bd -n. Ekkor R(d) = R(d − 1) + O(d).

(4.11)

Ennek a rekurzív egyenletnek a megoldása S(d) = O(d2 ). 4.15. tétel. Ha p = 2d , akkor p elem mind a Bd pillangó hálózaton,

mind pedig a Hd soros hiperkockán rendezhető O(d2 ) idő alatt. 4.6.2. Biton rendezés

Az összefésülő rendezés alapötlete a biton összefésülő algoritmussal kapcsolatban is alkalmazható – az eredmény a Pillangón-bi ton-rendez algoritmus. Most ismét felírhatjuk a 4.11 rekurzív egyenletet, ahonnan a következő lépésszámot kapjuk.


4. Hiperkocka

4.16. tétel (biton sorozat rendezése pillangón és hiperkockán). A Pillangónbiton-rendez algoritmus p = 2d elemet O(d2 ) lépésben rendez a Bd

pillangó hálózaton, és ugyancsak O(d2 ) lépésben hiperkockán.

4.7. Gráfalgoritmusok Ebben az alfejezetben minmátrix, tranzitív lezárt, összefüggő komponensek és minimális feszítőfa meghatározására szolgáló algoritmusokat mutatunk be. 4.7.1. Minmátrix meghatározása Újra alkalmazzuk a második fejezetben bevezetett formalizmust. Legyen q egy pozitív egész szám, n = 2q és legyen M [0 : n−1, 0 : n− 1] egy n × n méretű mátrix. Az M mátrix minmátrixának számítására a H3q hiperkockát fogjuk használni, amelyben 23q processzor van, melyek

címkéi 3q bit hosszúak. Ezek a címkék hi, j, ki alakban is felírhatók, ahol

i a címke első q bitjét, j a címke második q bitjét és k a címke harmadik q bitjét jelentik.

Jelölje (i, ?, ?) (0 ≤ i ≤ 2q − 1) a H3q hiperkocka azon processzorait,

melyek címkéjében az első q bit bináris számként i. Ezek a process-

zorok együtt egy H2q hiperkockát alkotnak. Hasonlóképpen definiáljuk

a (?, j, ?), (?, ?, k), (i, j, ?), (i, ?, k) és (?, j, k) jelöléseket is.

Ekkor a Kockán-minmátrix algoritmus a következőképpen működik. Kockán-minmatrix(par) Számítási modell: hiperkocka Bemenet: M (egész elemeket tartalmazó mátrix) Kimenet: M minmátrixa 01 frissítsük a q[i, j, k] elemeket 02 frissítsük az m[i, j] értékeket



199

A lépészám a következő. 4.17. tétel. Ha M egy n × n méretű mátrix, akkor a Kockán-minmatrix algoritmus M minmátrixát egy H3l hiperkockán O(lg2 n) lépésben meghatározza.

Bizonyítás. Az algoritmus első szakaszában az üzenetszórás és a mátrixtranszponálás O(lg n) lépésben végrehajtható. A második szakaszban az m[i, j] értékek frissítése prefixszámítással megoldható O(lgn) lépésben. A négyzeten futó algoritmusban szereplő két üzenetszórás helyett itt a hiperkockában üzenetszórást végző algoritmust alkalmazzuk, ugyancsak O(lg n) lépésszámmal. Tehát a for ciklus magjának minden végrehajtása O(lg n) lépést vesz igénybe. Mivel a ciklusmagot lg n-szer kell végrehajtani, ebből a lépésszám felső korlátja már adódik. Mivel például a második szakaszban végzett prefixszámítás lépésszáma Ω(n), ezért az elemzett algoritmus lépészámának nagyságrendje valóban lg2 n.

4.7.2. Tranzitív lezárt Irányított gráf tranzitív lezártját a második fejezetben definiáltuk. 4.18. tétel. Egy n-csúcsú irányított gráf tranzitív lezártja O(lg2 n) lépésben meghatározható egy n3 processzort tartalmazó hiperkockán. Bizonyítás. Állításunk a 4.17. tétel következménye.

200

4. Hiperkocka

4.7.3. Összefüggő komponensek Gráfok összefüggő komponenseit a második fejezetben definiáltuk. 4.19. tétel. Egy n csúcsú irányított gráf összefüggő komponensei egy n3 processzort tartalmazó hiperkockán O(lg2 n) lépésben meghatározhatók. Bizonyítás. Állításunk a 4.17. tétel következménye.

4.7.4. Legrövidebb utak A Hiperkockán-utak algoritmus lépésszámára vonatkozik a következő tétel. 4.20. tétel. A Hiperkockán-utak algoritmus egy n-csúcsú irányított gráf összes csúcspárjának távolságát meghatározza O(lg2 n) lépésben egy n3 lg n

processzort tartalmazó hiperkockán.

Bizonyítás. A PRAM modellek elemzése során megmutattuk, hogy egy

gráf csúcsai közötti távolságokat lg n mátrixszorzás segítségével meghatározhatók Két n × n méretű mátrix egy

n3 lg n

processzoros hiperkockán O(lg n)

lépésben összeszorozható.

4.7.5. Konvex burok A konvex burok számítására – hasonlóan a PRAM és négyzet modellek esetéhez – oszd meg és uralkodj elvű algoritmust javaslunk. Ha a rekurzív algoritmusunk lépésszámát a d-dimenziós hiperkockán K(d)-vel jelöljük, akkor K(d) = K(d − 1) + O(d2 ), ahonnan K(d) = O(l3 ).

(4.12)


201

4.21. tétel. Ha n = 2d , akkor egy sík n pontjának konvex burka O(lg3 n) lépésben meghatározható a Hd hiperkockán. Gyakorlatok 4.7-1. Állapítsuk meg, van-e Euler-kör és/vagy Hamilton-kör a vizsgált hálózatokban? 4.7-2. Mennyi idő alatt lehet egy üzenetet eljuttatni a fejezetben vizsgált hálózatok adott processzorától az összes többihez? Tervezzünk bejárási algoritmusokat és elemezzük lépésszámukat. 4.7-3. Mutassuk meg, hogy egy pillangó hálózat első szintjén lévő processzorból pontosan egy út vezet a d-edik szint bármelyik processzorához. 4.7-4. Foglaljuk táblázatba a vizsgált hálózatok jellemző tulajdonságait. 4.7-5. Hányféleképpen lehet beágyazni a 4.3. ábra bal oldalán látható G hálózatot az ábra jobb oldalán látható H hálózatba? 4.7-6. Adjuk meg a G3 , G4 és G5 Gray-kódokat.

4.7-7. Tervezzünk O(kd) lépésszámú algoritmust, amely 2d k-bites kulcsnak a Bd pillangó hálózaton való rendezésére.

Feladatok

4-1. Gray-kód elemzése Adjuk meg, összesen hány nullát és hány egyest tartalmaz Gk (k ≥

1). Hány olyan elrendezése van a k-jegyű bináris számoknak, melyekre jellemző, hogy az i-edik (2 ≤ i ≤ 2k ) szám pontosan egy helyen tér el az (i − 1)-ediktől? Hány ilyen ciklikus elrendezés van? 4-2. Rács beágyazása hiperkockába

Tekintsük egy 4 × 8 méretű rácsnak H5 -be ágyazását. Az első két bitet

202

4. Hiperkocka

használjuk a rács sorainak, a további három bitet pedig a rács oszlopainak azonosítására: G2 feleljen meg a nulladik, első, második, illetve

harmadik sornak. Ugyanígy G3 elemei rendre megfelelnek a 0., 1., . . . , (n− 1). oszlopnak. Adjuk meg a beágyazás jellemző adatait (felfúvódás, késleltetés, torlódás). 4-3. Teljes bináris fa beágyazása de Bruijn-hálózatba Mutassuk meg, hogy egy d szintes teljes bináris fa beágyazható egy ddimenziós de Bruijn-hálózatba úgy, hogy a beágyazás késleltetése 1. 4-4. Mohó algoritmus korlátjának élessége Lássuk be, hogy a mohó algoritmus lépésszámára és sorhosszúságára bizonyított felső korlát aszimptotikusan éles, azaz van csomagirányítási feladatoknak olyan sorozata amelyre a ?? egyenletben megadott nagyságrend a jellemző. Útmutatás. Vizsgáljuk meg azt az úgynevezett bitfordításos feladatot, ahol a b1 ...bd sorbeli csomag címzettje a bd ...b1 sorbeli processzor. Vizsgáljuk meg ebben az esetben egy (d/2)-edik szintű él forgalmát. 4-5. Polinomok szorzása Tervezzünk algoritmust, amely két 2d -edfokú polinomot O(d) idő alatt összeszoroz a Bd pillangó hálózaton.

4-6. Gyors Fourier-transzformáció Tervezzünk algoritmust, amely a Bd pillangó hálózaton kiszámítja egy

2d hosszúságú vektor gyors Fourier-transzformáltját.


5. Szinkronizált hálózat

Ebben a fejezetben döntési feladatokat oldunk meg – speciális és általános hálózatokban.

5.1. Számítási modell A H hálózatot a korábbiakhoz hasonlóan H = (V, E) formában adjuk meg, ahol V = {P1 , P2 , . . . , Pp } a processzorok halmaza. Két procesz-

szor között

• vagy kétirányú adatátvitel lehetséges, • vagy csak egyirányú adatátvitel van, • vagy nincs kapcsolat. Ennek megfelelően az élek E halmaza két részből áll: E = (S, D), ahol S az egyirányú adatátviteli vonalakat leíró irányított élek halmaza, míg D a kétirányú adatátvitelt leíró irányítatlan élek halmaza. A keverő-cserélő hálózatokban kétféle él van: kétirányú cserélő és egyirányú keverő él. A d dimenziós teljes keverő-cserélő hálózatban p = 2d processzor van. A cserélő élek a P2i processzorból a P2i+1 (i = 0, 1, . . . , 2d−1 − 1)

processzorhoz vezetnek. Minden processzorból egy keverő él indul: a Pi (i = 0, 1, . . . 2p −1) processzorból induló keverő él a P2i processzornál végződik, ahol az indexeket (mod 2p − 1) vesszük.



P0

P1

P2

P3

P4

P5

P6

P7

5.1. ábra. 8 processzoros keverő-cserélő hálózat.

Az 5.1. ábra egy 8-processzoros teljes keverő-cserélő hálózatot ábrázol. A gyakorlatban használt hálózatok többségében csak kétirányú adatátviteli vonalak vannak. A de Bruijn-hálózat csak egyirányú adatátvitelt enged meg. A Pi processzor szomszédait szomszéd[i]-vel jelöljük és a következőképpen definiáljuk: szomszéd[i] = {Pj | (i, j) ∈ S ∨ (i, j) ∈ D ∨ (i, j) ∈ D)} .

(5.1)

A processzorokat automataként írjuk le, amelyek a szinkronizált lépésekben üzeneteket küldhetnek és kaphatnak, és adott kezdőállapotból kiindulva minden lépésben – a beérkező üzenetek és a korábbi állapot által meghatározott – új állapotba mennek át. A Pi processzor a Küldi (üzenet) és a Fogadi (üzenet) függvénnyel küldenek, illetve fogadnak üzenetet. Az üzenet az Ü halmaz eleme, ahol Ü a lehetséges üzenetek halmaza, pedig az üres üzenet. Egy üzenet lehet például a küldő folyamat azonosítója, és állhat több részből is. Ebben a fejezetben a futási idő mellett az elküldött és fogadott üzenetek száma is gyakran használt hatékonysági jellemző.

5.2. Vezető választása Ennek az alfejezetnek a témája az egyik legfontosabb döntési feladat, a vezetőválasztás. Tegyük fel, hogy kezdetben minden processzor

5.2. Vezető választása

205

azonos állapotban van. A cél olyan állapot elérése, amelyben pontosan egy processzor a vezető a többi processzor pedig a nem_vezető állapotban van. A későbbiekben (főleg az algoritmusok leírásában) használjuk a rövidebb vez, illetve nem_vez jelölést is. Számos feladat megoldásához szükség van a processzorok szimmetriájának megtörésére, és egy vezető processzor megválasztására. Ezt a feladatot Le Lann fogalmazta meg 1977-ben. Először megmutatjuk, hogy a vezetőválasztás bizonyos körülmények között megoldhatatlan feladat. Azután algoritmusokat mutatunk be és elemzünk, amelyek gyűrűben, fában és általános hálózatban megoldják a vezetőválasztást. 5.2.1. Vezetőválasztás megoldhatatlansága gyűrűben Legyen H egy p processzoros gyűrű. Ha H-ban minden processzor azonos kezdeti állapotban van, akkor nincs mód ennek a kezdeti szimmetriának a megszüntetésére. Ezt az állítást formalizálja a következő tétel. 5.1. tétel (vezetőválasztás gyűrűben). Ha G egy egyirányú vagy kétirányú gyűrű, melyben a processzorok kezdeti állapota, állapotátmeneti függvénye és üzenet-előállító függvénye is azonos, akkor ebben a gyűrűben a vezetőválasztás nem oldható meg. Bizonyítás. Az állítást indirekt módon bizonyítjuk. Tegyük fel, hogy a P algoritmus megoldja a feladatot. Feltehetjük, hogy a gyűrű minden processzorának csak egy kezdőállapota van (ha több van, közülük tetszőlegesen választva elérhetjük, hogy minden processzornak csak egy kezdőállapota legyen). Az első lépésben minden processzor ugyanazt az üzenetet küldi szomszédjának (kétirányú gyűrűben mindkét szomszédjának), ezért a második lépésben a processzorok azonos új állapotba mennek át és azonos

206


üzenet küldenek szomszédjuknak. A lépések száma szerinti indukcióval adódik, hogy ha bármely processzor állapota vezető, akkor a többi processzor állapota is vezető lesz, ami nem biztosítja a vezetőválasztás egyértelműségét.

A gyakorlatban rendszerint nem azonos a processzorok kezdőállapota. A továbbiakban feltesszük, hogy minden processzornak egyedi azonosítója van, amely a többi processzortól megkülönbözteti. 5.2.2. Vezetőválasztás gyűrűben Az első gyűrűs vezetőválasztó algoritmus Le Lann nevéhez fűződik. A LeLann algoritmusra jellemző, hogy a szükséges üzenetek száma négyzetesen nő a processzorok számával. Chang és Roberts 1979-ben olyan javítást dolgoztak ki, amely legrosszabb esetben továbbra is négyzetes volt, de átlagos esetben már O(n lg n) lépésben megoldotta a vezetőválasztást. 1980-ban Hirschberg és Sinclair olyan megoldást talált, melyre a legrosszabb esetben is bizonyítani tudták az O(n lg n) felső korlátot. Igaz, míg a korábbi módszerek egyirányú gyűrűben is működtek, a Hirschberg-Sinclair algoritmusnak kétirányú adatátviteli vonalakra van szüksége. Az alsó korlátokkal kapcsolatos eredmények szerint a vezetőválasztást aszimptotikusan optimálisan is meg tudjuk oldani. LeLann algoritmusa A LeLann algoritmus megengedi, hogy a vezető az úgynevezett kezdő processzorok közül kerüljön ki. A kezdő processzorok halmazát K-val jelöljük. A processzoroknak nincs szüksége arra, hogy ismerjék a hálózat méretét. Az algoritmus pszeudokódja a következő.


207

LeLann(K, A)


Számítási modell: egyirányú gyűrű Bemenet: K (a kezdő processzorok indexeinek halmaza), A[1 : n] (a processzorok azonosítóinak tömbje, amely különböző egész számokat tartalmaz) Kimenet: i (a vezető processzor indexe) 01 Pi in parallel for i ← 1 to n 02

03 04 05

do if i ∈ K

then áll[i] ← jelölt Ji ← {i}

else áll[i] ← n_vez

06 Pi in parallel for i ← 1 to n 07 08 09 10 11 12 13 14 15 16 17 18

do if áll[i] = jelölt

then Küldi (i) while áll[i] 6= vez

Fogadi (a) Ji ← Ji ∪ {a} Küldi (a)

if i = min{Ji }

then áll[i] ← vez

else áll[i] ← n_vez

while áll[i] 6= vez

Fogadi (a) Küldi (a)

Az algoritmus szerint először az 1–6. sorokban beállítjuk a processzorok állapotát: jelölt lesz a kezdő processzorok állapota és nem_jelölt lesz a többi processzor kezdőállapota. A kezdő processzorok a jelöltek Ji halmazába beteszik saját azonosítójukat.

208


A 7–13. sorokban a kezdő processzorok addig fogadják és küldik az üzeneteket, amíg saját azonosítójukat – amely körbeért a gyűrűn – vissza nem kapják. A 14–16. sorokban a legkisebb azonosítójú processzor vez-re, a többi kezdő processzor n_vez-re állítja a saját állapotát. A nem kezdő processzorok szerepe az üzenetek továbbítása (17–21. sorok). 5.2. tétel. A LeLann algoritmus egy egyirányú gyűrűn minden esetben Θ(p) lépésben és legrosszabb esetben O(p2 ) üzenetet küldve oldja meg a vezetőválasztást. Bizonyítás. Az 1–6. sorokban két lépésben beállítjuk áll[i] és Ji értékét. A kezdő processzorok a p. lépésben visszakapják saját azonosítójukat (a többi kezdő processzor azonosítóját már korábban megkapták). Ekkor a legkisebb azonosítójú processzor állapota a 14–15. sor szerint vezető lesz, a többi kezdő processzor állapota pedig a 16. sorban nem_vez lesz. Mivel legfeljebb p különböző azonosító van és mindegyik p lépést tesz, ezért az elküldött és fogadott üzenetek száma O(p2 ). Mivel legrosszabb esetben minden processzor kezdő, ezért az üzenetek száma W (p, LeLann) = Θ(p2 ). Mivel a kezdő folyamatok azonosítója p lépés alatt ér körbe a gyűrűn, ezért az algoritmus lépésszáma minden esetben p = Θ(p). A LeLann algoritmus biztosítja, hogy a processzorok a megfelelő állapotba kerüljenek, de nem biztosítja azt, hogy a nem kezdő processzorok megálljanak. Ezt a megállást például úgy biztosíthatjuk, hogy a vezetőnek választott processzor körbeküld egy értesítő üzenetet. Az így kiegészített algoritmusra is érvényes a W (p, Értesít-LeLann) = O(p) és Wü (p, Értesít-LeLann) =


209

Chang és Roberts algoritmusa Chang és Roberts azzal javították az előző algoritmust, hogy csökkentették a feleslegesen továbbküldött azonosítók számát: a kezdő processzorok csak a saját azonosítójuknál kisebb azonosítókat küldik tovább. Chang-Roberts(U, i)


Számítási modell: egyirányú gyűrű Bemenet: U = u1 , u2 , . . . , up (a processzorok azonosítói – különböző egész számok) Kimenet: i (a vezető processzor indexe) 01 Pi in parallel for i ← 1 to n

02

03

if i ∈ K then

04 else

05 06

áll[i] := jelölt Li := {i} áll[i] := nem_jelölt

07 Pi in parallel for 1 ≤ i ≤ n 08

if áll[i] = jelölt then

09

Küldi (i)

10

while j 6= i

11

Fogadi (a)

12

L := L ∪ {j} Küldi (a)

13 14

if i = min{K} then

15

áll[i] := vez else áll[i] := n_vez

16 17 18 19

else while áll(i) 6= vez

Fogadi (j)

210


20

Küldi (j)

5.3. tétel. A Chang-Roberts algoritmus Θ(p) lépéssel és legrosszabb esetben Θ(p2 ) üzenettel oldja meg egyirányú gyűrűben a vezetőválasztást. Az algoritmus átlagos üzenetszáma O(p lg p). Bizonyítás. A legrosszabb esetre vonatkozó bizonyítás hasonló a LeLann algoritmusra vonatkozó bizonyításhoz. Az átlagos üzenetszámmal kapcsolatban legyen s a legkisebb a p azonosító közül. p különböző azonosítónak (p − 1)! különböző ciklikus permutációja van. Adott ciklikus permutációban legyen ai az az azonosító, amely i lépéssel halad s előtt. Mivel az s azonosító minden permutációban p lépést tett meg, ezért a (p − 1)! ciklikus permutációban összesen p(p − 1)! lépést tett meg.

Az ai azonosítót legfeljebb i-szer kellett továbbítani, mivel eldobjuk, amikor eléri az s azonosítójú processzort. Legyen Ai,k azoknak a ciklikus permutációknak a száma, amelyekben az ai azonosítót pontosan k-szor kellett továbbítani. Ekkor az ai azonosítót összesen i X

kAi,k

(5.2)

k=1

alkalommal kell továbbítani. Ha ai a legkisebb az a1 , a2 , . . . , ai azonosítók között – ami (p − 1)!/i

permutációban fordul elő – akkor az ai azonosítót pontosan i-szer kell továbbítani, ezért

(p − 1)! . (5.3) i Ha az ai azonosítót k − 1 olyan azonosító követi, amelyek nagyobbak, Ai,i =

mint ai , akkor ai -t legalább k-szor kell továbbítani (itt k ≤ i). Azok-

nak a ciklikus permutációknak a száma, amelyekben ai a legkisebb az ai−k+1 , ai−k+2 , . . . , ai azonosítók között, (p − 1)!/k. Ezért ha k < i,


211

akkor az ai azonosítót (p − 1)! (p − 1)! − k k+1

(5.4)

permutációban kell pontosan k-szor továbbítani, és így (p − 1)! (ha k < i). k(k + 1)

Ai,k =

(5.5)

Ezért az ai azonosítót az összes ciklikus permutációban összesen !

i−1 X

i X 1 1 (p − 1)! + i (p − 1)! = (p − 1)! k k(k + 1) i k=1 k k=1

(5.6)

alkalommal kell továbbítani. Ismert, hogy az egyenlőség jobboldalán lévő szumma a Hi harmonikus szám, amelyre m X i=1

Hi = (m + 1)Hm − m .

(5.7)

Most összegezzük az s-től különböző i azonosítók által megtett lépések számát: p−1 X i=1

b(p − 1)!Hi c = (pHp−1 − (p − 1))(p − 1)! .

(5.8)

Mivel ez a lépésszám az összes ciklikus permutációhoz tartozik, ezért az átlag pHp . Mivel Hp = ln p + O(1), azt kaptuk, hogy az átlag valóban O(p lg p). Ha az azonosítók kezdeti permutációja kedvező – például a1 > a2 > . . . > ap – akkor az aj (1 ≤ j ≤ p − 1) azonosító csak egy lépést tesz

meg, ezért Bü (p, Chang-Roberts) = O(p). Hirschberg és Sinclair algoritmusa

Az eddig tárgyalt vezetőválasztó algoritmusok kevés lépést tesznek, de

212


Pi

5.2. ábra. A Hirschberg-Sinclair algoritmus szemléltetése.

sok üzenetre van szükségük. Most egy olyan algoritmust mutatunk be, amelynek a korábbinál lényegesen kevesebb üzenetet igényel. Hirschberg és Sinclair algoritmusa is a legnagyobb azonosítóval rendelkező folyamatot választja vezetőnek. Itt azonban az azonosítók nem körbejárják a gyűrűt, hanem bizonyos (egyre nagyobb) lépés megtétele után visszafordulnak. Ezt szemlélteti a 5.2. ábra. 5.4. tétel. A Hirschberg-Sinclair algoritmus üzenetszáma kétirányú gyűrűben W (p, Hirschberg-Sinclair) = O(p lg p) Idő-szelet algoritmus Az eddigi vezetőválasztó algoritmusok az azonosítók összehasonlításával jutottak információhoz. A következő Idő-szelet algoritmus nagyon kevés üzenetet használ. Az algoritmus szakaszokban működik, és minden szakasz p lépésből áll. A j-edik szakaszban csak j azonosítót lehet üzenetként elküldeni. Ha a Pi processzor azonosítója ai , akkor ez a processzor az 1., 2., . . . , (ai −

1). szakaszban nem küld üzenetet. Ha a Pi processzor az első ai − 1 szakaszban nem kap üzenetet, akkor az ai -edik szakasz első lépésében

elküldi szomszédjának a saját azonosítóját, és ez az azonosító körbemegy az egyirányú gyűrűn. 5.5. tétel. Az Idő-szelet algoritmus egy p processzoros egyirányú gyű-


213

rűben p üzenettel Θ(pamin ) lépésben oldja meg a vezetőválasztást. Ennek a tételnek közvetlen következménye, hogy az Idő-szelet algoritmus üzenetszámát tekintve aszimptotikusan optimális. Alsó korlát az üzenetszámra Az összehasonlítás alapú vezetőválasztó algoritmusok üzenetszámára érvényes a következő alsó korlát. 5.6. tétel. Ha a P algoritmus bármely p-processzoros gyűrűben vezetőt

tud választani, akkor megadható p darab különböző azonosító olyan permutációja, amelyre az A algoritmus Nü (p, P ) = Ω(p lg p) üzenetet küld. 5.2.3. Vezetőválasztás fában Az alábbi algoritmus fában megoldja a vezetőválasztást. Fában-vezető(A, i)


Számítási modell: gyűrű Bemenet: A[1 : p] (a processzorok azonosítói, különböző egészek) Kimenet: i (a vezető processzor indexe) 01 Pi in parallel for i ← 1 to n 02 03 04

if i ∈ K

then áll[i] ← jelölt

else áll[i] ← n_vez Az algoritmus menetét illusztrálja az 5.3. ábra. Az ábra felső része a

T fának a Tpq és Tqp részfákra bontását mutatja. Az ábra bal alsó része a Tpq fa felbontását mutatja. 5.7. tétel. A Fában-vezető algoritmus egy p-processzoros fában O(p) üzenettel és O(átmérő) lépésben megoldja a vezetőválasztást.

214

5. Szinkronizált hálózat Tpq

Tqp Tpq és Tqp q p T

q p

p T

T Tpq felbontása

T felbontása

5.3. ábra. Tpq részfái.

5.2.4. Vezetőválasztás általános hálózatban Általános hálózatban először egy egyszerű üzenetterjesztő algoritmust, majd annak javított változatát mutatjuk be. Max-terjed algoritmus A Max-terjed algoritmus alapötlete, hogy a processzorok minden menetben elküldik szomszédaiknak az addig hozzájuk eljutott legnagyobb azonosítót. 5.8. tétel. Ha egy tetszőleges H hálózat átmérője átm(H), akkor a Maxterjed algoritmus ebben a hálózatban legfeljebb átm(H) menetben a legnagyobb azonosítójú folyamatot vezetővé választja. Az elküldött üzenetek száma pedig O(|E|átm). Opt-max-terjed algoritmus Általános hálózatban is alkalmazható az a javítás, amit már a gyűrű


215

esetében láttunk: a processzorok csak akkor küldenek tovább azonosítót, ha az új információt tartalmaz. Ezzel ugyan a legrosszabb esetben szükséges üzenetek számának nagyságrendje változatlan marad, az üzenetek átlagos száma azonban lényegesen csökken. 5.9. tétel. Ha egy tetszőleges H hálózat átmérője átm(H), akkor az Opt-max-terjed algoritmus ebben a hálózatban legfeljebb átm(H) menetben vezetővé választja a legnagyobb azonosítójú folyamatot. 5.2.5. Alsó korlát az üzenetek számára Az általános hálózatokban szükséges üzenetek számára vonatkozik a következő tétel. 5.10. tétel. Ha H egy p processzort tartalmazó hálózat, akkor a vezetőválasztás ebben a hálózatban N (p) ≥ pHp

(5.9)

üzenetet igényel. Ebből a tételből adódik a következő állítás. 5.11. következmény. A Chang-Roberts algoritmus üzenetszáma qlinebreak aszimptotikusan optimális. Bizonyítás. A 5.3. tétel szerint az algoritmus üzenetszámára W (p) = O(p lg p). Mivel Hp = Θ(lg p), így Θ(W (p)) = N (p).

(5.10)



5.3. Megegyezés A következő döntési feladat a megegyezés. Tegyük fel, hogy kezdetben minden Pi processzor rendelkezik egy bi bemeneti értékkel, és az a cél, hogy a processzorok azonos k kimenő értékre jussanak. Ezt a problémát mind az üzenetek egy részének elvesztését, mind a processzorok hibáját megengedve is szokták vizsgálni. A k-megegyezés problémája az egyszerű megegyezési probléma természetes általánosítása: a processzorok feladata az, hogy a bemenő értékek egy k-elemű részhalmazából válasszanak közösen elfogadott értéket. 5.3.1. Megegyezés vonalhibák esetében A probléma lényegét jól tükrözi az összehangolt támadási feladat Eszerint tábornokok összehangolt támadást terveznek közös célpont ellen. A tábornokok hírnökök segítségével válthatnak üzenetet. Feltesszük, hogy a tábornokok egy G irányítatlan (nem teljes) gráf csúcsaiban vannak, és az élek mentén küldhetnek üzenetet. Megbízható élekkel Gátm lépésben minden tábornok teljes információval rendelkezik a többiek véleményéről, és a katonai akadémián tanultak alapján ugyanarra a döntésre juthatnak. Ha azonban az élek meghibásodhatnak, ez az egyszerű gondolatmenet nem alkalmazható, a probléma nem oldható meg (ennek belátását meghagyjuk gyakorlatnak). Hibás élek esetén csak az a reális célkitűzés, hogy megadott valószínűséggel jussanak a tábornokok közös véleményre. A problémának ez a változata már determinisztikus és véletlenített algoritmussal is kezelhető.

5.3. Megegyezés

217

5.3.2. Megegyezés processzorhibák esetében A processzorok működése során különböző hibák fordulhatnak elő. Az egyik a megállási hiba, melyben a processzor bármely lépésben beszüntetheti működését. A másik a bizánci hiba, melyben a processzorok a számukra megadott korlátokon (elvégezhető műveletek, felhasználható üzenetábécé) belül tetszőlegesen működhetnek. Ennek a problémának egy egyszerű megoldását biztosítja a Halmazterjed algoritmus. Ennek lényege, hogy a processzorok türelmesen terjesztik a tudomásukra jutott összes információt – és ha bizonyos ideig nem kapnak új információt, akkor az addig kapott üzenetek alapján döntenek. Ha a processzorok értékelik is a beérkezett információt és csak a lényeges részt adják tovább, akkor az elküldendő üzenetek száma csökkenthető. Így jutunk az Opt-halmaz-terjed algoritmushoz. 5.3.3. k-megegyezés A k-megegyezési feladatnál a processzoroknak a bemeneti értékek kelemű részhalmazából kell közösen elfogadott értéket választaniuk. Ezt a feladatot például a Min-terjed algoritmussal lehet megoldani. Ennek lényege, hogy a processzorok karbantartják és terjesztik az addig kapott legkisebb értéket. Erről az algoritmusról belátható, hogy ha legfeljebb h processzor hibásodhat meg, akkor bh/k + 1c lépésben megoldja a feladatot.

A következő alsó korlát ismert.

5.12. tétel. Ha p ≥ h + k + 1, akkor minden algoritmusnak legalább

bh/k + 1c lépésre van szüksége, hogy h hibás processzor esetén megoldja

a k-megegyezési feladatot.

218


5.3.4. Közelítő megegyezés A közelítő megegyezési feladatban minden processzornak van egy valós kezdeti értéke és a processzorok valós értékeket küldenek egymásnak és egymástól kevéssé eltérő értékekben kell megegyezniük. Megengedjük, hogy a processzorok bizáci hibákat kövessenek el. 3 feltételnek kell teljesednie. A befejeződési feltétel szerint minden hibátlanul működő proceszszornak végül döntést kell hoznia. Az érvényességi feltétel szerint a hibátlanul működő processzoroknak a hibátlan processzorok kezdeti értékeit tartalmazó (lehető legrövidebb) intervallumból vett értékkel kell megállniuk. A megegyezési feltétel szerint akármely két hibátlanul működő processzor kimenő értéke legfeljebb egy előre adott értékkel térhet el egymástól. Ismertek olyan algoritmusok, amelyek teljes hálózatban biztosítják a közelítő megegyezést, ha a hibás processzorok száma kisebb, mint az összes processzorok számának egy harmada. Gyakorlatok 5.3-1. Elemezzük a LeLann és a Chang-Roberts algoritmusokat. a. Adjuk meg az azonosítók olyan permutációját, amelyre az elküldött üzenetek száma Ω(n2 ). b. Adjuk meg az azonosítók olyan permutációját, amelyre az elküldött üzenetek száma O(n). 5.3-2. Módosítsuk az Chang-Roberts algoritmust úgy, hogy az összes nem-vezető folyamat a em nem_vezető kimenetet eredményezze, vagyis az összes folyamat végül is álljon meg. Adjuk meg a módosított algoritmus pszeudokódját. 5.3-3. Mutassuk meg, hogy a Chang-Roberts algoritmus különböző

5.3. Megegyezés

219

induló időpontok mellett is helyesen működik. (Ehhez módosítsuk a kódot.) 5.3-4. Bizonyítsuk be a LeLann és a Chang-Roberts algoritmusok helyességét. 5.3-5. Mutassuk meg, hogy a Hirschberg-Sinclair algoritmus különböző induló időpontok mellett is helyesen működik. (Ehhez egy kicsit módosítsuk a pszeudokódot.) 5.3-6. Tegyük fel, hogy a Hirschberg-Sinclair algoritmust úgy módosítjuk, hogy kettő-hatványok helyett egymás utáni k-hatványokat használunk az utak hosszára (k > 2). Elemezzük a módosított algoritmus lépésszámát és kommunikációs bonyolultságát úgy, mint az eredeti Hirschberg-Siclair algoritmusnál. Hasonlítsuk össze az eredményeket. 5.3-7. Tekintsük a Hirschberg-Sinclair algoritmus olyan módosított változatát, ahol a processzorok mindkét irány helyett csak az egyik irányba küldhetnek üzeneteket. a. Mutassuk meg, hogy a könyvben megadott algoritmus legkézenfekvőbb módosítása nem eredményez O(n log n) üzenetszámot. Adjunk felső korlátot az üzenetszámra. b. Módosítsuk úgy az algoritmust, hogy az üzenetszáma O(n log n) legyen. 5.3-8. Tervezzünk egyirányú gyűrűben olyan vezetőválasztó algoritmust, amely nem ismeri a gyűrű méretét és legrosszabb esetben is csak O(n log n) számú üzenetet használ. Az algoritmus az azonosítókra kizárólag az összehasonlítás műveletet használhatja. 5.3-9. Adjunk a menetek számára vonatkozó minél jobb alsó korlátot valamely n méretű gyűrű vezető folyamat kiválasztásos algoritmusának legrosszabb esetére. A feltevéseket körültekintően fogalmazzuk meg. 5.3-10. Adjuk meg az n = 16 csúcsú bitfordító gyűrű pontos leírását.

220


5.3-11. Valamely szinkron gyűrű esetén tekintsük a vezető folyamat kiválasztásának problémáját, ahol minden folyamat ismeri a gyűrű n méretét és a processzoroknak nincs azonosítójuk. Adjunk a probléma megoldására véletlenített algoritmust, vagyis olyat, ahol a processzorok kódjuk determinisztikus végrehajtásán kívül véletlen választással is élhetnek. A helyes működést kielégítő tulajdonságokat óvatosan fogalmazzuk meg. Például az egyedi vezető folyamat kiválasztása biztosan garantált-e vagy valamilyen kis valószínűséggel elképzelhető, hogy ez nem történik meg? Mennyi lesz az algoritmus lépésszáma és üzenetszáma? 5.3-12. Tekintsünk valamilyen ismeretlen n méretű kétirányú gyűrűt, ahol a processzoroknak van egyedi azonosítójuk. Adjunk az üzenetek számára vonatkozó alsó és felső korlátot olyan összehasonlítás alapú algoritmus esetén, ahol minden processzor mod 2 számolja ki n-et. 5.3-13. A Max-terjed algoritmusban használt üzenetek átm|E| száma O(n3 ). Adjunk meg olyan irányított gráfokat, amelyekre az átm|E| szorzat Ω(n3 ), vagy mutassuk meg, hogy nincs ilyen irányított gráf. 5.3-14. Az Opt-max-terjed algoritmus által elküldött üzenetek számára adjunk a O(n3 )-nál kisebb felső korlátot vagy mutassuk meg, hogy a korlát aszimptotikusan éles. 5.3-15. Elemezzük a vezetőválasztás lépésszámát és üzenetszámát, feltéve, hogy néhány szomszédos csúcs között kétirányú kommunikációt is megengedünk. 5.3-16. Tervezzünk egy vezetőválasztó algoritmust egy olyan erősen összefüggő irányított hálózatban, amelyben a processzoroknak van egyedi azonosítójuk. a. Tegyük fel, hogy a kommunikáció a szomszédos csúcsok között kétirányú.

5.3. Megegyezés

221

b. Ne alkalmazzuk az előző feltevést. 5.3-17. Adjunk algoritmust a csúcsok számának megállapítására egy olyan erősen összefüggő irányított hálózatban, amelyben a processzoroknak van egyedi azonosítójuk. a. Tegyük fel, hogy a kommunikáció a szomszédos csúcsok között kétirányú. b. Ne alkalmazzuk az előző feltevést. 5.3-18. Adjunk algoritmust az élek számának megállapítására egy olyan erősen összefüggő irányított hálózatban, amelyben a processzoroknak van egyedi azonosítójuk. a. Tegyük fel, hogy a kommunikáció a szomszédos csúcs közt kétirányú. b. Ne alkalmazzuk az előző feltevést. 5.3-19. Tegyük fel, hogy egy láncban minden Pi processzor meg tudja különböztetni a bal oldalát a jobb oldalától, és ismeri azt is, hogy ő maga végpont-e vagy sem. Tegyük fel, hogy minden processzor kezdetben egy nagyon nagy ai egész értékkel rendelkezik, és azt, hogy az ilyen értékekből egy adott időpillanatban csak adott számút tarthatunk nyilván a memóriában. Tervezzük meg azt az ezen értékeket sorba rendező algoritmust, amelyben az egyes Pi processzorok által előállított oi kimeneti értékek összeszorzott halmaza megegyezik az ai bemeneti értékek összeszorzott halmazával, és o1 ≤ . . . ≤ on . Próbáljuk meg előállítani mind az

üzenetek, mind a menetek száma tekintetében a leghatékonyabb algoritmust.

5.3-20. Mutassuk meg, hogy az összehangolt támadási probléma (determinisztikus változatának) megoldása bármely nem triviális, összefüggő gráf esetében magában foglalja a probléma megoldását arra az egyszerű, két pontból álló gráfra, mely egy éllel van összekötve. (Ebből

222


következik, hogy a probléma megoldhatatlan tetszőleges, nem triviális gráf esetében.) 5.3-21. Tekintsük a (determinisztikus) összehangolt támadási probléma következő változatát. Tegyük fel, hogy a hálózat n > 2 résztvevőből álló teljes gráf. A befejezési és érvényességi feltételek az 5.3. alfejezetben leírtakkal azonosak. A megegyezési feltételt azonban gyengítjük:

Ha ”˛“ van olyan a folyamatok között, amelyik döntése 1, akkor legalább kettőnek 1-est kell döntenie.” (Azaz szeretnénk kizárni azt az esetet, amikor egy tábornok magányosan támad, de megengedjük azt, hogy két vagy több tábornok együtt támadjon.) Vajon ez a probléma megoldható, vagy nem? 5.3-22. Tekintsük az összehangolt támadási problémát vonalhibák esetében arra az egyszerű esetre, amikor két folyamat egy éllel van összekötve. Tegyük fel, hogy a processzorok működése determinisztikus, de az üzenetrendszer véletlenített abban az értelemben, hogy mindegyik üzenetnek van egy független q valószínűségi értéke (0 < q < 1), ami annak a valószínűségét adja meg, hogy az üzenet sikeresen megérkezik. (Ahogy általában, most is megengedjük, hogy a folyamatok menetenként csak egy üzenetet küldjenek.) Tervezzünk ezekkel a beállításokkal olyan algoritmust, mely rögzített r számú meneten belül befejeződik, a megegyezés hiányának valószínűsége legfeljebb , és ehhez hasonlóan az érvényességi feltétel megsértésének valószínűsége is legfeljebb . A lehető legkisebb érték elérésére törekedjünk. 5.3-23. Az előző gyakorlat kikötései szerinti modellben adjunk alsó korlátot az értékére, bizonyítsuk be, hogy ez az elérhető legalacsonyabb érték. 5.3-24. Általánosítsuk az összehangolt támadási probléma véletlenített változatát úgy, hogy megengedjük valószínűséggel mind az érvényességi, mind a megegyezési szabályok megsértését. Írjuk át a Véletlenített-

5.3. Megegyezés

223

támadás algoritmust úgy, hogy a módosított feltételek mellett elérje a lehető legkisebb értéket. Végezzünk elemzést. 5.3-25. Általánosítsuk a Véletlenített-támadás algoritmust és az elemzését az általános irányítatlan gráfokra. 5.3-26. Mi történne a fejezetben tárgyalt, véletlenített környezettel kapcsolatos eredményekkel, ha az ellenfél kommunikációs mintája nem lenne előre rögzítve, mint ahogy eddig feltettük, hanem az ellenfél közvetlen irányítással határozhatná meg azt. Pontosabban szólva, tegyük fel, hogy az ellenfél képes arra, hogy megvizsgálja a végrehajtási sorozatot bármely k-adik menettől visszafelé a kezdetig, mielőtt döntene, hogy a k-adik menetbeli üzenetek közül melyek legyenek kézbesítve. a. Milyen korlát garantálható a Véletlenített-támadás algoritmus esetében a megegyezés hiányára, ilyen közvetlen irányításra képes ellenfelek esetében? b. Adhatunk-e valamilyen érdekes alsó korlátot az elérhető értékekre? 5.3-27. Bizonyítsuk be, hogy tetszőleges olyan algoritmus, mely megoldja a bizánci megegyezés problémát, megoldja a megegyezési problémát megállási hibák esetében is, ha a megállási hiba modellben úgy módosítjuk az érvényességi feltételt, hogy csak a hibamentes folyamatok megegyezését követeljük meg. 5.3-28. Bizonyítsuk be, hogy tetszőleges olyan algoritmus, mely megoldja a bizánci megegyezés problémát és amelyben a hibátlan folyamatok mindig egyszerre, ugyanazon menetben hoznak döntést, megoldja a megegyezési problémát megállási hiba modellben is. 5.3-29. Kövessük nyomon a Halmaz-terjed algoritmus végrehajtását négy folyamattal és két hibával, melyben a folyamatok kezdőértékei rendre az 1, 0, 0, 0 értékek. Tegyük fel, hogy P1 és P2 folyamatok hibásak, P1 az első menetben lesz hibás, miután egyedül a P2 folyamatnak elküldte

224


az üzenetet, P2 pedig a második menetben lesz hibás, P1 -nek és P3 -nak küld üzenetet, viszont P4 -nek nem. 5.3-30. Tekintsük a Halmaz-terjed algoritmust f hibára. Tegyük fel, hogy az algoritmus f + 1 menet helyett csak f menetben fut, ugyanazzal a döntési értékkel. Találjunk egy olyan végrehajtási sorozatot, mely megsérti a helyességi feltételeket. 5.3-31. Legfeljebb mennyi lehet a hibamentes folyamatok által hozott, egymástól különböző döntési értékek darabszáma, ha a Halmazterjed algoritmus f + 1 menet helyett csak f menetben fut. 5.3-32. a. Találjunk egy másik lehetséges, helyesen működő döntési szabályt a Halmaz-terjed algoritmusban, amelyik eltér szövegben megadottól. b. Adjunk pontos jellemzést azon döntési szabályok halmazáról, amelyek helyesen működnek. 5.3-33. Terjesszük ki a Halmaz-terjed algoritmust, a helyesség bizonyítását, és az elemzést, tetszőleges összefüggő gráfokra. 5.3-34. Készítsük el az Opt-halmaz-terjed algoritmus kódját. 5.3-35. Tekintsük a következő egyszerű algoritmust a megállási hibák mellett történő megegyezésre, egy adott V értékhalmaz esetében. Legyen mindegyik processzornak egy min-érték változója, melyet induláskor a saját kezdeti értékére állít be. Az f + 1 menet mindegyikében a processzorok közreadják min_érték változójuk értékét, majd újra beállítják úgy, hogy a minimuma legyen a min_érték változó eredeti értékének, valamint az üzenetekben kapott értékeknek. Végül a processzor döntési értéke min_érték lesz. Készítsük el ennek az algoritmusnak a kódját és bizonyítsuk be (vagy direkt módon, vagy szimulációval), hogy helyesen működik.


225

Feladatok

5-1. Vezetőválasztás négyzeten Bizonyítsuk be, hogy négyzeten O(n log n) idő alatt megoldható a vezető választása. 5-2. Vezetőválasztás tóruszon Bizonyítsuk be, hogy tóruszban O(n log n) idő alatt megoldható a vezetőválasztás. 5-3. Nem összehasonlítás alapú vezetőválasztás Az anyagban csak összehasonlítás alapú vezetőválasztó algoritmusokat tárgyaltunk. Vizsgáljunk meg néhány más típusú algoritmust is. a. Írjuk meg az Idő-szelet algoritmus pszeudokódját. b. Módosítsuk úgy az Idő-szelet algoritmust, hogy hozzávett üzenetek árán fázisonként egyetlen azonosító helyett k darab azonosító továbbküldésének engedélyezésével csökkenjen a lépésszám. Bizonyítsuk be az algoritmus helyességét és elemezzük bonyolultságát. c. Adjuk meg a Változó-sebességek algoritmus pszeudokódját. d. Mutassuk meg, hogy ha a processzorok különböző időpontokban ébredhetnek fel, a Változó-sebességek algoritmus üzenetszáma nem szükségszerűen O(n).

5-4. Harmonikus szám Bizonyítsuk be a harmonikus számok alábbi tulajdonságait: n X i=1

Hi = (n + 1)Hn − n (ha n ≥ 1)

(5.11)

és ln(n + 1) < Hn < 1 + ln(n + 1) (ha n ≥ 1) .

(5.12)

226


5-5. Chang-Roberts algoritmus a. Ha minden processzor kezdő processzor, legjobb esetben hány üzenetet továbbít a Chang-Roberts algoritmus? b. Ha pontosan s kezdő processzor van, amelyek egyforma valószínűséggel lesznek vezetők, akkor mennyi lesz az algoritmus átlagos kommunikációs bonyolultsága (üzeneteinek száma)? 5-6. Vezetőválasztás síkhálózatokban Mutassuk meg, hogy ha egy hálózat síkba rajzolható, akkor tervezhető rá olyan vezetőválasztó algoritmus, amelynek O(p lg p) üzenetre van szüksége. 5-7. Véglegesítés Tervezzünk egy algoritmust, amely a véglegesítési problémát az erős befejezési feltétellel megoldja. Elérhető-e egyidejűleg, hogy a menetek száma legrosszabb esetben n + k legyen (ahol k konstans), a hibamentes esetben a döntéshez és megálláshoz szükséges menetek száma egy kis konstans legyen és a hibamentes esetben alacsony legyen az üzenetszám? 5-8. Bizánci megegyezés Tervezzünk a bizánci megegyezés megoldására egyszerű f + 1 menetes algoritmust, melyhez csak 3f + 1 processzor szükséges, és üzenetszáma polinomiális.


6. Hagyományos és elektronikus irodalom

Ebben a fejezetben összefoglaljuk az előző öt fejezet anyagához kapcsolódó szakirodalmat.

6.1. Megjegyzések az 1. fejezethez A párhuzamos algoritmusok alapját képező soros algoritmusok magyar nyelvű szakirodalma jelentős. A leggazdagabb anyagot Knuth monográfiája [221, 222, 223, 225], valamint Cormen, Leiserson és Rivest [59] könyve – melyeket több mint tíz nyelvre lefordítottak – tartalmazza. Több témában hasznos anyagot tartalmaznak – ugyancsak magyarul – Aho, Hopcroft és Ullman [3, 4], Artiaga és Davis [16], Kása Zoltán [200] Lawler [252], Lovász és Gács [264], Marton és Fehérvári [271], Papadimitriou [305], Rónyai, Ivanyos és Szabó [341], Trahtenbrot [395], valamint Wirth [418] könyvei. Az angol és német nyelvű könyvek közül elsősorban Berman és Paul [35], Cormen, Leiserson, Rivest és Stein ([59] új, bővített kiadása), Mehlhorn [273, 274, 275] műveit, továbbá az Atallah [17], Gonnet és Baeza-Yates [129], Gruska [132], Ralston, Reilly és Hemmendinger [333], valamint a van Leewen [399] által szerkesztett enciklopédiákat ajánljuk.

228


Kiegészítésképpen érdemes elolvasni Baase [21], Baase és Van Gelder [22], Brassard és Bratley [41], Gibbons és Rytter [122], Greenflaw, Hoover, Ruzzo [131], Jájá [188], Miller és Boxer [277], Selim [357], Skiena [366], Valiente [398], valamint Wilf [415] könyveit. Elektronikus formában több algoritmusgyűjtemény elérhető, például a CALGO [45], LEDA [253], NetLib [287] és XTANGO [419]. A párhuzamos algoritmusok témakörében az első lényeges gondolatok Neumann Jánosnak a negyvenes évek végén és az ötvenes évek elején elhangzott előadásaiban és azóta megjelent dolgozataiban [289, 290, 291, 293] találhatók. Ezekben a sokprocesszoros rendszereken belül való munkamegosztás problémáira is felhívta a figyelmet. Azt is igazolta, hogy kellő többszörözéssel védekezhetünk a sokkomponensű rendszerek elemeinek bizonyos mértékű meghibásodásával szemben. Ezen gondolatok egy része magyarul is hozzáférhető Drommerné Takács Viola [81] és Neumann János [291] könyvében. A párhuzamos algoritmusok magyar nyelvű irodalma még kicsi. Figyelemre méltó anyag Lovász László és Gács Péter 1978-ban megjelent, az algoritmusokat népszerűsítő könyvében [264] a párhuzamos számítások lehetőségeiről szóló fejezet. N. A. Lynch [268] könyve részletesen tárgyalja az osztott rendszerekkel (elsősorban az aszinkron hálózatokkal) kapcsolatos problémák egy részét. 2003-ban jelent meg a Párhuzamos algoritmusok [170], amely ennek az elektronikus tankönyvnek az alapját képezi. Az algoritmusokkal kapcsolatos szakkifejezések egy része is megtalálható a Frey Tamás és Szelezsán János által a hőskorban szerkesztett könyvekben [109, 110], valamint a Horváth László és Pirkó József által szerkesztett lexikonokban [152, 153, 154]. Ezeket egészítjük ki könyvünk Angol kifejezések magyarul és Magyar kifejezések angolul című részeiben lévő szótárakkal.

6.1. Megjegyzések az 1. fejezethez

229

A könyv anyagának elmélyítéséhez elsősorban a következő műveket ajánljuk. A függvények növekedésével kapcsolatos alapfogalmakat Knuth klasszikus cikkéből [217, 224], Almasi és Gottlieb hangulatos leírásából [6], valamint Schöning könyvéből [355] vettük át. A Hanoi tornyaira vonatkozó feladat Lucastól [267] származik. A feladat leírása magyarul is hozzáférhető, például Knuth, Graham és Patashnik [218] könyvében. A Föld életkorára vonatkozó becslés az Officina Nova kiadó világatlaszából származik [301]. A matematikai alapok ismétléséhez Andrásfai Béla [13], Demetrovics János, Denev és Pavlov [72], Dringó László és Kátai Imre [79], Láng Csabáné és Gonda János [128, 248, 249], valamint Járai Antal [192] tankönyveit ajánljuk. Amdahl törvénye a [8], Gustafson törvénye pedig a [133] konferenciakötetben jelent meg. Az alkalmazott pszeudokódot Cormen, Leiserson, Rivest és Stein [60], valamint Berman és Paul [35] Pascal-alapú pszeudokódja és a Stroustrup által kifejlesztett C++ nyelv [377] ötvözésével állítottuk össze. A hatékonysági mértékeket többek között Horowitz, Sahni és Rajasekaran [151], Lynch [268], valamint Roosta [342] és Tel [393] alapján definiáltuk. A lépésszámfüggvények polinomiális és exponenciális osztályokra való bontásával a bonyolultságelmélet bibliáját, Garey és Johnson könyvét [119] követtük. A számítási modelleket illetően főleg Cormen, Leiserson, Rivest és Stein [60], valamint Berman és Paul [35] műveire támaszkodtunk. Sima, Fountain és Kacsuk könyve [362] részletesen tárgyalja a hagyományos és a modern rendszerek felépítését. A könyvhöz jó kiegészítés a számítási modellekkel foglalkozó első fejezet kézirata [361], amely lényegesen bővebb a nyomtatásban megjelent változatnál. A párhuzamos rend-

230


szerek hardver- és szoftverproblémáival kapcsolatban gazdag anyag van például Almasi és Gottlieb [6], Amestoy [9], Kacsuk Péter és Kotsis Gabrielle [198], Kacsuk Péter, Kranzlmüller, Németh Zsolt és Volkert [199], valamint Leighton [256, 257] műveiben. Flynn [99] 1966-ban publikálta osztályozási rendszerét. Az ILLIAC IV számítógéppel foglalkozik Barnes [27] cikke. A párhuzamos számítógépek előfutárának tekinthető D. H. Lehmernek [254, 255] a harmincas években épített mechanikus szerkezetét, amely párhuzamos műveletek elvégzésére is képes volt. Lehmer például a 293 +1 tényezőkre bontására használta fel a szerkezetet. A rekurzív algoritmusokkal és rekurzív egyenletekkel kapcsolatban hasznos magyarul Cormen, Leiserson és Rivest [59], Knuth, Graham és Patashnik [218], angolul pedig Berman és Paul [35] Greene és Knuth [130], Purdom és Brown [325], Sedgewick és Flajolet [356], valamint Wilf [414] műve. A rekurziótétel megtalálható például Halmos [138] könyvében. A véletlenített algoritmusokról szóló alfejezethez Bollobás [39], Erdős és Spencer [85], Hofri [148], Motwani és Raghavan [283], Mayr, Prömel és Steiger [272], Pardalos és Rajasekaran [307], valamint Spencer [370] könyveit ajánljuk. A Csernov-egyenlőtlenségeket Csernov [51] 1952-ben publikálta. A valószínűségszámítás magyar nyelvű szakirodalmához tartoznak Feller [91], Prékopa [323] és Rényi [339] könyvei. Az anomáliára példák szerepelnek Coffman [54], Iványi és Szmeljánszkij [186], valamint Roosta [342] könyvében, továbbá Fornai Péter és Iványi Antal [?], valamint Lai és Sahni [247]. Alsó korlátra vonatkozó eredmények találhatók például Berman és Paul [35], valamint Lynch [268] könyvében. A párhuzamos és osztott rendszerek számos részkérdéséről tartal-


231

maznak hasznos anyagot Akl [5], Gibbons és Rytter [122], Heath, Renade és Schreiber [142], Jájá [188], Leopold [259] és Zomaya [420, 421] könyvei. A gyakorlatok és feladatok részben a már említett szakkönyvekből származnak, részben oktató- és kutatómunkánk során gyűltek össze. Érdemes meglátogatni Járai Antal [191] magyar nyelvű – soros algoritmusokkal kapcsolatos – elektronikus feladatgyűjteményét. Nagyon hasznos Sussman oktatói kézikönyve, amely [59]-hez készült, továbbá Hecker [143] és Winkler [417] feladatsorozatai. Értékes oktatási segédeszköz Cormen, Lee és Lin oktatói segédkönyve [58], amely Cormen, Leiserson, Rivest és Stein könyvéhez [60] készült. Párhuzamos programokat tartalmaznak Rajasekaran [330] és Schreiner [367] honlapjai. A további megjegyzések a gyakorlatokra és feladatokra vonatkoznak. Az első feladat alapja Cormen, Leiserson és Rivest [60], a második feladaté Roosta könyve [342], a harmadik Iványi Annától [166] származik. A negyedik feladathoz Coffman könyvének [54] Fornai Péter és Iványi Antal [?], valamint Lai és Sahni cikkének [247], az ötödikhez Berman és Paul könyvének [35], végül a hatodikhoz Iványi Antal cikkeinek [?, 175], valamint Kovács Gábor Zsolt és Pataki Norbert diákköri dolgozatának [233] elolvasása nyújthat segítséget. A kétdimenziós tökéletes mátrixokkal kapcsolatban nagy anyag található D. E. Knuth monográfiájának elektronikus negyedik kötetében [225]. További algoritmusok találhatók a Belényesi Viktor és Németh Cs. Dávid diákköri dolgozatában [31], Ferenczi és Kása Zoltán [92], valamint Iványi Antal és Tóth Zoltán cikkeiben [168, 184, 173, 174]. Háromdimenziós tökéletes mátrixok előállítási algoritmusait tartalmazza Iványi Antal [174] 1990-ben megjent cikke, valamint Horváth Márk és Iványi Antal [155] friss cikke. A bináris sorozatok feldolgozásával kapcsolatos algoritmusok Iványi



Antal és Kátai Imre [180, 181], valamint Iványi Antal és Pergel József [185] dolgozataiból származnak. A foksorozatokkal kapcsolatosak Iványi Antal [?], Kemnitz és Dulff [208], Kovács Gábor Zsolt és Pataki Norbert [233], Moon [281], Narayana és Bent [284], Pécsy Gábor és Szűcs László [311], Siklósi Bence [359], valamint Szadovszkij és Szadovszkij [347] művei. A ládapakolással kapcsolatban Coffman, Csirik János és Woeginger összefoglalóját [309], Coffman, Galambos Gábor, Martello és Vigo [56], Csirik János, Galambos Gábor, Frenk és Rinnoy Kan [63], Csirik János és Imreh Balázs [64], Csirik János és Johnson [65] cikkét, valamint Iványi Antal dolgozatait [167, 169] említjük.

6.2. Megjegyzések a 2. fejezethez A prefixszámítás aszinkron megoldására például Horváth Zoltán cikkében [156] és elektronikus kéziratában [158], valamint Kozsik Tamás technikai riportjában [240] található algoritmus. Nehéz lenne a gráfelmélet elméleti és gyakorlati jelentőségét túlbecsülni, ezért nem meglepő, hogy számos magyar nyelvű könyv szól a gráfokról: Andrásfai Béla [10, 11, 12], Busacker és Saaty [44], Cseke Vilmos [61], Kaufman [206], Katona, Recski és Szabó [204], Ore [303], Recski András [335] művei. Megemlítjük Kása Zoltán elektronikus feladatgyűjteményét [201] is. Az idegen nyelvű könyvek közül Berge [33], Bollobás Béla [39], Diestel [75], Jungnickel [196] műveit említjük A munkaoptimális véletlenített kereső algoritmust Floyd és Rivest [98] publikálta 1975-ben. Preparata algoritmusa 1978-ban vált ismertté [324]. Reischuk munkahatékony rendező algoritmusa 1985 óta ismert [338].

 Vissza a tartalomhoz 6.3. Megjegyzések a 3. fejezethez

233

A feladatok forrása Horowitz, Sahni és Rajasekaran [151], Berman és Paul [35], valamint Tel [393] könyve.

6.3. Megjegyzések a 3. fejezethez Leighton könyve [256] a rácsalgoritmusokról szóló monográfia. Véletlenített csomagirányítási algoritmust javasolt Rajasekaran és Tsantilas 1992-ben [329]. Aszimptotikusan optimális csomagirányítási algoritmust ismertet Nassimi és Sahni 1982-ben [286]. A konvex burok számításáról összefoglalás található Sack és Urrutia [349] kézikönyvében. A feladatok megoldásához Berman és Paul [35], valamint Horowitz, Sahni és Rajasekaran könyve [151] a leghasznosabb.

6.4. Megjegyzések a 4. fejezethez Leighton két könyve [256, 257], valamint Ranka és Sahni műve [334] jelentős anyagot tartalmaznak a hiperkockákkal kapcsolatban. A feladatok többségének forrása Cormen, Leiserson, Rivest és Stein [59], valamint Horowitz, Sahni és Rajasekaran [151] könyve.

6.5. Megjegyzések az 5. fejezethez Ehhez a fejezethez elsősorban N. A. Lynch magyarul is megjelent könyvét [268], Tanenbaum és van Steen [392], valamint Tel [393] friss monográfiáját említjük. A magyarul is hozzáférhető anyagot csak röviden ismertetjük és kiegészítjük más algoritmusok elemzésével. Le Lann 1977-ben egy konferencián [258] fogalmazta meg és oldotta

234


meg a vezetőválasztási problémát. Chang és Roberts két év múlva a [50] cikkben javasoltak átlagosan kevesebb üzenetet igénylő módszert. Peterson [314] cikke újabb 3 év múlva jelent meg. Hirschberg és Sinclair [146] 1980-ban javasolt O(p lg p) üzenetszámú algoritmust kétirányú gyűrűk vezetőjének megválasztására. Később Peterson [315] és Dolev, Klawe, Rodeh [76] egymástól függetlenül egyirányú gyűrűben is megoldották O(p lg p) üzenettel a vezetőválasztást. Pachl, Korach és Rotem [304] 1984-ben mutatták meg, hogy minden gyűrűben átlagosan Ω(p lg p) üzenetre van szükség a vezetőválasztáshoz. 1988-ban Bodlaender [38] bebizonyította, hogy kétirányú gyűrűben legrosszabb esetben legalább 0.34p lg p üzenetre van szükség. A fejezet feladatai részben Lynch [268] és Tel könyvéből származnak [393]. A terjedelem szabta korlátok miatt a témakör több lényeges területével nem foglalkoztunk. Ezeket az ACM (Association for Computing Machinery) és az IEEE (Institute of Electrical and Electronics Engineers) által 2001-ben összeállított Informatikai Tanterv, a Steelman Report [163] alapján csoportosítjuk. Ez a tanterv az informatikai ismeretek 14 különböző területét különbözteti meg (zárójelben megadjuk az ajánlott minimális előadási óraszámot, valamint a rövid és teljes angol nevet): diszkrét matematika (43 óra, DS = Discrete Structures), programozás alapjai (38 óra, PF = Programming Fundamentals), algoritmusok és bonyolultság (31 óra, AL = Algorithms and Complexity), programozási nyelvek (21 óra, PL = Programming Languages), számítógépek felépítése (18 óra, AR = Architecture and Organization), operációs rendszerek (18 óra, OS = Operating Systems), hálózatok (15 óra, NC = Net-Centric Computing), embergép kapcsolat (8 óra, HC = Human-Computer Interaction), grafika (3 óra, GV = Graphics and Visual Computing), mesterséges intelligen-


235

cia (10 óra, IS = Intelligent Systems), információkezelés (10 óra, IM = Information Management), szoftvertechnológia (31 óra, SE = Software Engineering), számítógép és társadalom (16 óra, SP = Social and Professional Issues), kiszámításelmélet (0 óra, CN = Computational Science). Az ismereteknek ebben a rendszerezésében könyvünk témája elsősorban az algoritmusok témakör 11 altémája közül kettő: a párhuzamos algoritmusok és az osztott algoritmusok.

1. Diszkrét matematika (DS) A Steelman Report a függvények, relációk és halmazok egyszerű tulajdonságait, logika elemeit, alapvető bizonyítási és leszámlálási módszereket, valamint a valószínűségszámítás alapfogalmait sorolja. Ajánlott irodalom magyarul Andrásfai Béla [13], Bagyinszki János és György Anna [24], Demetrovics János, Denev és Pavlov [72], Dringó László és Kátai Imre [79], Gavrilov és Szapozsenko [120], Gonda János és Láng Zsuzsa [248, 249, 128], valamint Járai Antal [191] elektronikus jegyzete. A legfontosabb matematikai képleteket és definíciókat tartalmazza Bronstein, Szemengyajev et al. [42] és Obádovics J. Gyula [299] könyve. A matematika tanításának pszichológiájába ad betekintést Klein Sándor [214] műve. Jó angol nyelvű főiskolai könyvek Dossey, Otto, Spence és Eynden [78], valamint Prather [322] művei, szórakoztató Vilenkin könyve [405] a kombinatorikáról. Komolyabb matematikai alapokat nyújtanak a logika területéről magyarul Flach [95], Pásztorné Varga Katalin és Várterész Magdolna [310], valamit Ruzsa Imre [345], lineáris algebráról Freud Róbert [107], számelméletről Freud Róbert és Gyarmati Edit [108], kombinatorikáról pedig

236


Lovász László [262]. Angolul algebrai algoritmusokról Pethő Attila [316] és Winkler [416], kombinatorikáról pedig Erdős Pál [84], valamint Lovász László [262] adnak részletes ismereteket. Nagy anyagot tartalmaz a leszámlálás módszereiről Stanley [372] kétkötetes monográfiája. Konkrét kombinatorikai algoritmusokat (és programokat) tartalmaz Nijenhuis és Wilf [294] könyve, valamint Knuth elektronikus kézirata [225] és elektronikus formában is elérhető könyve [219]. Az informatika matematikai alapjait foglalja össze Ferenczi Miklós és Rónyai Lajos megjelenőben lévő, angol nyelvű könyve [93]. 2. Programozás alapjai (PF) Ide a legfontosabb programkonstrukciók, feladatok specifikációja, egyszerű adatszerkezetek, rekurzió tartozik. Ajánlott irodalom: magyarul Fóthi Ákos [?], angolul Baase és van Gelden [21, 22], oroszul pedig Iványi Antal és Szmeljánszkij [186] könyvei. A szakirodalom értékes részét képezi azoknak a szoftver eszközöknek (Mathematica, Matlab, Maple) a leírása, melyek segítségével kényelmesen programozhatók oktatási és kutatási feladatok: Klincsik Mihály és Maróti György [216], Molnárka, Gergó, Wettl, Horváth, Kallós, [280] Szili László és Tóth János [385], valamint Stoyan Gisbert [373] könyvei. Absztrakt adattípusok megvalósításával foglalkozik Horváth Zoltán, Kozsik Tamás és Venczel Tibor cikke [159]. 3. Algoritmusok (AL) Algoritmikai alap fogalmak, alapvető algoritmusok, osztott és párhuzamos algoritmusok, kriptográfiai algoritmusok, automataelmélet, geometriai algoritmusok, kiszámíthatóság, algoritmusok önálló elemzése). A problémák bonyolultság szerinti osztályozásával kapcsolatban mag-


237

yarul is hozzáférhető Ausiello [18] és Papadimitriou [305] könyve. Angolul Garey és Johnson klasszikus műve [119] mellett figyelmet érdemelnek Ausiello és társszerzői [19], Jones [194], Li és Vitanyi [260], Lovász [263], Sipser [365], Vogel és Wagner [408], valamint Wagner és Wechsung [409] eredményei. A közelítő algoritmusokkal kapcsolatban gazdag anyagot tartalmaznak Hochbaum [147] és Vazirani [403] könyvei. A genetikus algoritmusokkal foglalkozik magyarul Álmos Attila, Győri Sándor, Horváth Gábor és Várkonyiné Kóczy Annamária [7], angolul pedig Goldberg [126], Langdon és Poli [250], valamint Mitchell [279]. A kriptográfiával kapcsolatban Dénes József és Keedwell [73], valamint Salomaa, Rozenberg és Brauer [352] könyvét említjük. A szimulációval foglalkozik Kátai Imre [203], valamint Aven, Coffman és Kogan [20]. Csirik János és Woeginger [66] összefoglalta a közvetlen pakolási és lefedési algoritmusok témakörét. Mintegy harminc informatikai téma algoritmusait foglalja össze az Iványi Antal szerkesztésében megjelent kétkötetes Informatikai algoritmusok [171, 172].

4. Programozási nyelvek (PL) Konkrét programozási nyelvek és rendszerezésük, absztrakt adattípusok, objektumelvű programozás, funkcionális programozás, fordítóprogramok. A programozási nyelvek magyar nyelvű irodalma gazdag. A korai művek közül Farkas Zsuzsa, Futó Iván, Langer Tamás, és Szeredi Péter [89], Iványi Antalné és Kovács Zoltán [187], Jakobi Gyula [189], Horowitz [150], Kőhegyi János [241, 242, 243, 244], Kozics Sándor [238], Lőcs Gyula és Vigassy József [265, 266], Pirkó József [318, 317], Pongor

238


György [321], Pyle [326], Sipos Annamária [364], Szlávi Péter és és Zsakó László [387, 422, 423] könyveit, az újak közül pedig Fóthi és Steingart [?], valamint Stroustrup [377] művét, továbbá a Nyékyné Gaizler Judit szerkesztésében megjelent könyveket [296, 297, 298] említjük. Automatákkal és formális nyelvekkel foglalkozik magyarul Bach Iván [23] és Fülöp Zoltán [113] tankönyve, Csörnyei Zoltán [69], valamint Hunyadvári László és Manherz Tamás elektronikus jegyzete [161], Trahtenbrot [395] könyve, angolul pedig Hopcroft, Motwani és Ullman friss monográfiája [149]. 5. Számítógépek felépítése (AR) Az alapok számábrázolás, funkcionális szervezés, multiprogramozás, hálózatok és osztott rendszerek felépítése. Számítógépek felépítésével kapcsolatos Kovács Győző [234], Cserny László [62], Knuth [220], valamint Tanenbaum [389] könyve. Az elektronikus áramkörök tervezésének algoritmusait foglalja össze Arató Péter, Jankovits István és Visegrády Tamás könyve [14]. Párhuzamos rendszerek hardverének és szoftverének kérdéseivel foglalkozik Amestoy [9], Hennessy és Patterson [144], Hwang [162], Kacsuk és Kotsis [198], Kacsuk, Kranzlmüller, Németh és Volkert [199]. 6. Operációs rendszerek (OS) Konkrét rendszerek, elvek, párhuzamos folyamatok, ütemezés, memóriaszervezés, fájlszervezés, biztonság és védelem, hatékonyság. Ajánlott irodalom: a rendszerprogramozási algoritmusok összefoglalása magyar nyelven megtalálható Csörnyei Zoltán [68], Donovan [77], Galambos Gábor [115], Tanenbaum és Woodhull [391], valamint Varga László [400, 401] könyveiben, idegen nyelven pedig Silberschatz, Galvin és Gagne [360], valamint Donovan [77] és Tanenbaum [?] műveiben. Chow és Johnson [52], Malyshkin [269], valamint Tanenbaum és van


239

Steen [392] könyvei az osztott rendszerek működésével foglalkoznak. Norton és Stockman könyve [295] a biztonsági kérdések jó összefoglalója. Az ütemezési algoritmusok irodalmából P. Brucker [43], French [106], Iványi Antal és Szmeljánszkij [186], Vizvári Béla [407] könyvét, valamint Iványi Antal elektronikus jegyzetét [176] említjük. Petri-hálókról szól Kotov klasszikus [229], valamint Girault és Valk [124] most megjelent könyve. 7. Hálózatok (NC) Kommunikáció, biztonság, adattömörítés, konkrét webalkalmazások készítése, vezetékmentes számítások. A sejtautomatákkal kapcsolatos cikkeket tartalmaz a Drommerné Takács Viola [81] által zerkezstett könyv. A neurális hálókkal kapcsolatos angol nyelvű irodalomból Chua és Roska Tamás [53], valamint Roska Tamás és Rodríguez-Vázquez [343] könyvét, továbbá Marczell Zsolt, Szepesváry Csaba, Kalmár Zsolt és Lőrincz András cikkét [270] emeljük ki. Hálózatokkal foglalkozik magyarul Jutasi István [197], angolul Tanenbaum [388]. Idegen nyelven a neurális hálókkal kapcsolatban Chua és Roska Tamás [53] valamint Roska Tamás és Rodríguez-Vázquez [343] könyvét, továbbá Marczell Zsolt, Szepesváry Csaba, Kalmár Zsolt és Lőrincz András cikkét [270] emeljük ki. 8. Ember-számítógép kapcsolatok (HC)

9. Grafika (GV) Alapvető módszerek, grafikus kommunikáció, geometriai modellezés, an-

240


imáció, láthatóság, virtuális valóság. Ajánlott irodalom számítógépi grafikáról magyarul Füsi János [114] és Szirmay-Kalos László [386] könyve, valamint Vida János honlapja [404]. Geometriai modellezéssel foglalkozik de Berg, van Kreveld, Overmas és Schwarzkoff monográfiája [32] és Farin [88] könyve. Az animációval kapcsolatban magyarul hozzáférhető Nagy Tibor [285] és Salamon Gábor [348] elektronikus gyűjteménye. Idegen nyelven nagy értéket képvisel Gloor, Dynes és Lee [125] CD-je, amelyen Cormen, Leiserson és Rivest [59] könyvének hiperszövege és animált algoritmusai is megtalálhatók. Parent friss könyve [309], Stasko honlapja [419], valamint Jürgen Winkler [417] elektronikus gyűjteménye is említésre méltó. 10. Intelligens rendszerek (IS) Tudás ábrázolása, következtetés, fejlett keresés, ágensek, természetes nyelv feldolgozása, gépi tanulás, robotika. A mesterséges intelligencia számos algoritmusa megtalálható magyarul Fekete István, Gregorics Tibor és Nagy Sára [90], Futó Iván, Fekete István, Gregorics Tibor, Gyimóthy Tibor, Nagy Sára, Tatai Gábor és Sántáné Tóth Edit [112], Kelemen József és Nagy Sára [207], valamint Russel és Norvig [344] könyvében. 11. Információs rendszerek (IM) Adatmodellezés, lekérdező nyelvek, relációs adatbázisok, osztott adatbázisok, adatbányászás, digitális könyvtárak, hiperszöveg, multimédia. Ajánlott irodalom magyarul adatbázisokkal kapcsolatban Békéssy és Demetrovics [36], Garcia-Molina, Ullman és Widom [397, 118], valamint Rolland [340] könyvei. Az adatbányászat alapjait tartalmazza Adriaans és Zantinge műve [2]. A szakértői rendszereket elemzi Sántáné Tóth


241

Edit jegyzete [353]. Nagy adathalmazok kezelésével foglalkozik Abello, Pardalos és Resende monográfiája [1]. 12. Szoftvertechnológia (SE) Tervezés, eszközök és környezetek, folyamatok, követelmények és specifikáció, helyességbizonyítás, fejlesztés, csoportmunka irányítása, megbízhatóság. A feladatok specifikációjával is foglalkozó magyar nyelvű anyagok közül ajánljuk például Sike Sándor és Varga László [402], valamint Sommerville [368] tankönyveit. Párhuzamos programozásról szól Horváth Zoltán [158] és Szeberényi Imre [381] elektronikus kézirata, Kozma László és Varga László [239], valamint Chandy és Misra [49, 278] könyvei. 13. Társadalomtudományi alkalmazások (SP) Informatika története, társadalmi környezet, elemzés eszközei és módszerei, szakmai és erkölcsi felelősség, kockázatok, számítógépi jog, filozófia. Ajánlott irodalom: magyarul Boros László [40] és Kurtán Lajos [245, 246] könyvei. 14. Kiszámíthatóság (CN) A fő témák numerikus módszerek, operációkutatás, nagy méretű számítások. Numerikus módszereket ismertet magyarul Galántai Aurél és Jeney András [117], Gergó Lajos [121], Kiss Ottó és Kovács Margit [213], Henrici [145], Obádovics J. Gyula [299], Ralston [332], Simon Péter [363], Stoyan Gisbert és Takó Galina [374, 375, 376] és Szidarovszky Ferenc [382] könyve. Az angol nyelvű szakirodalomból Argyros, Bahill, Okuguchi, Szidarovszky Ferenc és Yakowitz [15, 383, 384], az orosz nyelvűből pedig N. N. Bahvalov, E. P. Zsidkov és G. M. Kobelkov [25]

242


könyveit emeljük ki. A numerikus módszerek alapját képező klasszikus analízis bizonyos részeit tárgyalja Járai Antal [190] könyve. Az optimalizálás módszereivel kapcsolatos magyar nyelvű irodalomból Bajalinov Erik és Imreh Balázs [26], Imreh Balázs és Imreh Csanád [164], Komlósi Sándor [226] könyvét, valamint Frank András [105] és Szántai Tamás elektronikus jegyzetét [?] említjük. Angol nyelvű Censor és Stavros [48] könyve, a Floudas és Pardalos által szerkesztett hétkötetes enciklopédia [97], valamint Pardalos és Resende [308] kézikönyve. Operációkutatással foglalkozik Kovács Margit nyomtatott [235] és elektronikus [236], valamint Vizvári Béla [406] hagyományos jegyzete és Szántai Tamás [380] könyve. A játékelmélettel kapcsolatban Morgenstern és Neumann János klasszikus műve [282] mellett Forgó Ferenc, Szép Jenő és Szidarovszky Ferenc [100], Kiss Béla és Krebsz Anna [212], valamint Okuguchi és Szidarovszky Ferenc könyvét [302] ajánljuk. A fuzzy rendszerek elméletével kapcsolatos friss könyvek közül Carlsson és Fullér Róbert [46, 111] műveit említjük meg. Fourier-analízissel foglalkoznak Weisz Ferenc [412, 413] könyvei. Schipp Ferenc, Wade, Simon Péter és Pál Jenő [354] monográfiájának témája a harmonikus analízis. A valószínűségszámítás eszközeinek különböző alkalmazásairól szólnak Györfi Lászlónak és társszerzőinek a művei [74, 135, 136, 137].


Jelölések

A könyvben a következő jelöléseket alkalmazzuk. A, B: soros algoritmusok b(n, k) =

n : n alatt a k binomiális együttható k

B(n, π, p, P): a P párhuzamos algoritmus legjobb lépésszáma B(n, π, A): az A soros algoritmus legjobb lépésszáma p process-

zoron

C(n, π, p, P): a P párhuzamos algoritmus legrosszabb üzenetszáma g(n, π, A, P): a P párhuzamos algoritmus gyorsítása h(n, π, p, P): a P: párhuzamos algoritmus hatékonysága lg n = log2 n: kettes alapú logaritmus ln n = loge n: természetes alapú logaritmus

244

Jelölések

lgk n = (lg n)k : logaritmus függvény hatványa log n = log10 n: tízes alapú logaritmus log? n = iterált logaritmus függvény n: probléma mérete N (n, π, p, P): a P párhuzamos algoritmus szükséges lépésszáma p

processzoron

N (n, π, A): az A soros algoritmus szükséges lépésszáma o: kis ordó O0 : abszolút nagy ordó ˜ gyenge nagy ordó O: O: nagy ordó O: nagy valószínűségű nagy ordó ∞

O: végtelen nagy ordó p: processzorok száma P, Q: párhuzamos algoritmusok

Jelölések

245

W (n, π, p, P): a P párhuzamos algoritmus legrosszabb lépésszáma W (n, π, A): az A soros algoritmus legrosszabb lépésszáma ω: kis omega Ω: nagy omega Ω: nagy valószínűségű nagy-omega ∞

Ω: végtelen nagy omega

π: probléma Σ: véges ábécé Θ: nagy teta Θ: nagy valószínűségű nagy teta b c: alsó egész rész ⊕: bináris asszociatív operátor ×: Descartes-szorzat := : értékadás jele

246 ∧ és and: logikai és !: faktoriális d e: felső egész rész | |: halmaz elemszáma : lila kocka (bizonyítás végét jelzi) B: megjegyzés szimbólum : : olyan, mint ∨ és or: logikai vagy ♠ pikk (példák végét jelzi)

Jelölések


Angol szakkifejezések magyarul

Ebben a részben megadjuk a témakör angol nyelvű irodalmából átvett szakkifejezések magyar megfelelőjét. anomaly = anomália big oh = nagy ordó big omega = nagy omega big theta = nagy teta binary tree network = bináris fa hálózat butterfly = pillangó concurrent read, concurrent write (CRCW) = párhuzamos olvasás, párhuzamos írás concurrent read, exclusive write (CREW) = párhuzamos olvasás, kizárólagos írás cross link = kereszt kapcsolat de Bruijn network = de Bruijn-hálózat direct link = közvetlen kapcsolat efficiency = hatékonyság exclusive read, exclusive write (EREW) = kizárólagos olvasás, kizárólagos írás exclusive read, concurrent write (ERCW) = kizárólagos olvasás, pár-

248

Angol szakkifejezések magyarul

huzamos írás farthest destination first (FDF) = legtávolabbra utazó csomag először farthest origin first (FOF) = legtávolabbról jött csomag először first in first out (FIFO) = előbb be, előbb ki Hamming distance = Hamming-távolság hipercube = hiperkocka LCCB (least cost branch-and-bound) = legkisebb költségű korlátozás és szétválasztás linear speedup = lineáris gyorsítás linear running time = lineáris futási idő mesh = rács most significant bits (MSB) = legnagyobb helyi értékű bitek online algorithm = közvetlen algoritmus packet routing (PR) = csomagirányítás partial permutation routing (PPR) = parciális permutáció irányítás parallel hypercube = párhuzamos hiperkocka parallel random access machine (PRAM) = párhuzamos közvetlen hozzáférésű gép pyramid network = piramis hálózat random access machine (RAM) = közvetlen hozzáférésű gép sequential hypercube = soros hiperkocka speedup = relatív sebesség star network = csillag hálózat sublinear speedup = szublineáris gyorsítás sublogarithmic running time = szublogaritmikus futási idő superlinear speedup = szuperlineáris gyorsítás total work = összes munka work-optimal parallel algorithm = munkahatékony párhuzamos algoritmus


Magyar szakkifejezések angolul

Ebben a részben összefoglaljuk a könyvben használt magyar szakkifejezések angol megfelelőit.

anomália = anomaly bináris fa hálózat = binary tree network csillag hálózat = star network csomagirányítás = packet routing (PR) de Bruijn-hálózat = de Bruijn network előbb be, előbb ki = first in first out (FIFO) Hamming-távolság = Hamming distance hatékonyság = efficiency hiperkocka = hipercube kereszt kapcsolat = cross link kizárólagos olvasás, kizárólagos írás = exclusive read, exclusive write (EREW) kizárólagos olvasás, párhuzamos írás = exclusive read, concurrent write (ERCW) közvetlen algoritmus = online algorithm közvetlen hozzáférésű gép = random access machine (RAM)

250

Magyar szakkifejezések angolul

közvetlen kapcsolat = direct link legkisebb költségű korlátozás és szétválasztás = LCCB (least cost branch-and-bound) = legnagyobb helyi értékű bitek = most significant bits (MSB) legtávolabbra utazó csomag először = farthest destination first (FDF) legtávolabbról jött csomag először = farthest origin first (FOF) lineáris futási idő = linear running time lineáris gyorsítás = linear speedup munkahatékony párhuzamos algoritmus = work-optimal parallel algorithm nagy o = big oh nagy omega = big omega nagy teta = big theta összes munka = total work parciális permutáció irányítás = partial permutation routing (PPR) párhuzamos hiperkocka = parallel hypercube párhuzamos közvetlen hozzáférésű gép = parallel random access machine (PRAM) párhuzamos olvasás, kizárólagos írás = concurrent read, exclusive write (CREW) párhuzamos olvasás, párhuzamos írás = concurrent read, concurrent write (CRCW) pillangó = butterfly piramis hálózat = pyramid network rács = mesh relatív sebesség = speedup soros hiperkocka = sequential hypercube szublineáris gyorsítás = sublinear speedup szublogaritmikus futási idő = sublogarithmic running time

Magyar szakkifejezések angolul szuperlineáris gyorsítás = superlinear speedup

251


Irodalomjegyzék

[1] J. Abello, P. M. Pardalos, M. G. C. Resende: Handbook of Massive Data Sets. Kluwer Academic Publishers, Dordrecht, 2002. 1236 oldal. ISBN 1-4020-0489-3. 241 [2] P. Adriaans, D. Zantinge: Data Mining. Addison-Wesley Longman, 1996. Magyarul: Adatbányászat. Panem, Budapest, 2002. 157 oldal, 39 hivatkozás. ISBN 963 545 367 1. 240 [3] A. V. Aho, J. E. Hopcroft, J. D. Ullman: The Design and Analysis of Computer Algorithms. Addison-Wesley, Reading, 1974. 240 oldal, 235 hivatkozás, ISBN 0-201000-296. Magyarul: Számítógépalgoritmusok tervezése és analízise. Műszaki Könyvkiadó, Budapest, 1982. 487 oldal, 235 hivatkozás, ISBN 963 104 323 1. 227 [4] A. V. Aho, J. E. Hopcroft, J. D. Ullman: Data Structures and Algorithms. Addison-Wesley, Reading, 1983. 427 oldal, 158 hivatkozás, ISBN 0-201-00023-7. 227 [5] S. G. Akl: The Design and Analysis of Parallel Algorithms. Prentice-Hall, Englewood Cliffs, 1989. 400 oldal, ISBN 0132000563. 231

Irodalomjegyzék

253

[6] G. S. Almasi, A. Gottlieb: Highly Parallel Computing. The Benjamin/Cummings Publ. Comp., Redwood City, 1994. 669 oldal, 472 hivatkozás, ISBN 0-8053-0443-6. 229, 230 [7] Álmos Attila, Győri Sándor, Horváth Gábor, Várkonyiné Kóczy Annamária: Genetikus algoritmusok. Typotex, Budapest,2002. 255 oldal, 137 hivatkozás. 237 [8] G. M. Amdahl: Validity of the single-processor approach to achieving large-scale computer capabilities. In: AFIPS Conference Proceedings 30 1967, 483–485. 229 [9] P. Amestoy (szerkesztő): Euro-Par’99. LNCS 1685. SpringerVerlag, Berlin, 1999, 1503 oldal. ISBN 3540 664432 230, 238 [10] Andrásfai Béla: Ismerkedés a gráfelmélettel. Második kiadás. Tankönyvkiadó, Budapest, 1973. 237 oldal, 48 hivatkozás, ISBN 363 178 663 3. 232 [11] Andrásfai Béla: Gráfok. Mátrixok és folyamok. Akadémiai Kiadó, Budapest, 1983. 263 oldal, 74 hivatkozás, ISBN 963 05 31461. 232 [12] Andrásfai Béla: Gráfelmélet. Polygon Kiadó, Szeged, 1994. 174 oldal, 10 hivatkozás, ISBN 1417-0590. 232 [13] Andrásfai Béla: Infor-matek. Polygon Kiadó, Szeged, 1997. 282 oldal, 13 hivatkozás, ISBN 1218-4071. 229, 235 [14] Arató Péter, Jankovits István, Visegrády Tamás: High-Level Synthesis of Pipelined Datapaths. Panem/John Wiley & Sons, Budapest, 1999. 251 oldal, ISBN 0471495824. 238

254

Irodalomjegyzék

[15] I. K. Argyros, F. Szidarovszky: The Theory and Applications of Iteration Methods. CRC Press Inc., Boca Raton, 1993. 335 oldal, 110 hivatkozás, ISBN 0-8493-8014-6. 241 [16] L. Artiaga, L. Davis: Algoritmusok és FORTRAN programjaik. Műszaki Könyvkiadó, Budapest, 1977. 227 [17] M. J. Atallah: Algorithms and Theory of Computation Handbook. CRC Press, Boca Raton, 1999. 1218 oldal, 4118 hivatkozás, ISBN 0-8493-2649-4. 227 [18] G. Ausiello: Complessitá di calcolo delle functioni. Bodoglierie Societá, Torino, 1975. Magyarul: Algoritmusok és rekurzív függvények bonyolultságelmélete. Műszaki Könyvkiadó, Budapest, 1984. 67 oldal, 109 hivatkozás, ISBN 963 10 5159 5. 237 [19] G. Ausiello, P. Crescenzi, G. Gambosi, V. Kann, A. MarchettiSpaccamela, M. Protasi: Complexity and Approximation. SpringerVerlag, Berlin, 1999. 524 oldal, 602 hivatkozás, ISBN 3504-65431-3. 237 [20] O. I. Aven, E. G. Coffman jr., Y. A. Kogan: Stochastic Analysis of Computer Storage. D. Reidel Publ. Company, Dordrecht, 1987. 254 oldal, 157 hivatkozás, ISBN 90-277-2515-2. 237 [21] S. Baase: Computer Algorithms: Introduction to Design and Analysis. Második kiadás. Addison-Wesley, l988. 435 oldal, 131 hivatkozás. ISBN 0-201-06035-3. 228, 236 [22] S. Baase, A. Van Gelder: Computer Algorithms: Introduction to Design and Analysis. Harmadik kiadás. Addison-Wesley, Reading, 2000. 688 oldal, ISBN 0-201-61244-5. 228, 236 [23] Bach Iván: Formális nyelvek. Typotex, Budapest, 2001. 238

Irodalomjegyzék

255

[24] Bagyinszki János, György Anna: Diszkrét matematika főiskolásoknak. Typotex, Budapest, 2001. 152 oldal, ISBN 9639132969. 235 [25] N. N. Bahvalov, E. P. Zsidkov, G. M. Kobelkov Numerical Methods. Fizmatlit, Moscow, 2000. 624 oldal. 241 [26] Bajalinov Erik, Imreh Balázs: Operációkutatás. POLYGON Kiadó, Szeged, 2001. 242 [27] G. H. Barnes: The ILLIAC-IV computer. IEEE Transactions on Computers C-17 1968, 746–757. 230 [28] Bege Antal: Rekurzív sorozatokkal kapcsolatos feladatok. Presa Universitară Clujeană/Kolozsvári Egyetemi Kiadó, Kolozsvár, 2007. 152 oldal, 41 hivatkozás. [29] Bege Antal: 238 válogatott számelméleti feladat. Presa Universitară Clujeană/Kolozsvári Egyetemi Kiadó, Kolozsvár, 2008. 203 oldal, 85 hivatkozás. MR 2498614. [30] Bege Antal: Algoritmikus kombinatorika és számelmélet. Presa Universitară Clujeană, Kolozsvár, 2006. 152 oldal, 41 hivatkozás. [31] Belényesi Viktor, Németh Cs. Dávid: d-bonyolultság számítása. TDK-dolgozat. ELTE, Informatikai Tanszékcsoport, Budapest, 2002. 17 oldal. 231 [32] M. de Berg, M. van Kreveld, M. Overmas, O. Schwarzkoff: Computational Geometry. Második kiadás. Springer-Verlag, Berlin, 2000. 367 oldal, 348 hivatkozás, ISBN 3-540-65620-0. 240 [33] C. Berge: Graphs and Hypergraphs. North-Holland Publishing Company, Amsterdam, 1976. 528 oldal, 542 hivatkozás, ISBN 0 7204 2453 4. 232

256

Irodalomjegyzék

[34] Berke Barnabásné: ISBN útmutató. Második kiadás. Országos Széchenyi Könyvtár, Budapest, 1991. 22 oldal, ISBN 963 200 305 5. 301 [35] K. A. Berman, J. L. Paul: Fundamentals of Sequential and Parallel Algorithms. PWS Publishing Company, Boston, 1997. XXIII+744 oldal, 80 hivatkozás, 0-534-94674-7. 227, 229, 230, 231, 233 [36] Békéssy András, Demetrovics János: Adatbázis szerkezetek. AkadémiaiAkadémiai Kiadó, Budapest, 2005 (megjelenőben). 240 [37] Blázsik Zoltán: Gazdasági folyamatok modellezése. Elektronikus tankönyv. Szegedi Egyetem Informatikai Tanszékcsoport. 2011 (megjelenőben). [38] H. L. Bodlaender: A better lower bound for distributed leader finding in bidirectional asynchronous rings of processors. Information Processing Letters 27 1988, 287–290. 234 [39] B. Bollobás: Random Graphs. Academic Press, London, 1985. XII+441 oldal, 757 hivatkozás. ISBN 0-12-11756-1. 230, 232 [40] Boros, László: Jogi alapismeretek. Vince Kiadó, Budapest, 1998. 154 oldal. 241 [41] G. Brassard, P. Bratley: Fundamentals of Algorithms. Prentice Hall, Englewood Cliffs, 1996. 524 oldal, 355 hivatkozás, ISBN 013-335068-1. 228 [42] I. N. Bronstejn, I. N. Szemengyajev et al.: Matematikai kézikönyv. 8. átdolgozott kiadás. Typotex, Budapest, 2002. 1209 oldal, ISBN, 9639132594. 235

Irodalomjegyzék

257

[43] P. Brucker: Scheduling Algorithms. Springer-Verlag, Berlin, 1998. 342 oldal, 216 hivatkozás, ISBN 3-540-64105-X. 239 [44] R. G. Busacker, T. L. Saaty: Finite Graphs and Networks. McGraw Hill and Company, New York, 1965. XIV+294 oldal, hivatkozás. Magyarul: Véges gráfok és alkalmazásaik. Műszaki Könyvkiadó, Budapest, 1969. 347 oldal. 232 [45] CALGO (Collected Algorithms of ACM ). Association for Computing Machinery, 2003. 228 [46] C. Carlsson, R. Fullér: Fuzzy Reasoning in Decision Making and Optimization. Studies in Fuzziness and Soft Computing Series 82. Springer-Verlag, Berlin/Heildelberg, 2002. 338 oldal, ISBN 3-79081428-8. 242 [47] H. Casanova, A. Legrand, Y. Robert: Parallel Algorithms. CRC Press, London, 2009. 337 oldal, 120 hivatkozás, ISBN N978-158488-945-8. MR2450469 (2009i:68106) [48] Y. Censor, A. Z. Stavros: Parallel Optimization: Theory, Algorithms, and Applications. Oxford University Press, New York, 1997, XVII+539 oldal, 566 hivatkozás. ISBN 0-19-510062–X. 242 [49] K. M. Chandy, J. Misra: Parallel Program Design: A Foundation. Addison-Wesley, 1988. 241 [50] E. J.-H. Chang, R. Roberts: An improved algorithm for decentralized extrema finding in circular arrangement of processes. Communication of ACM 22 1979, 281–283. 234 [51] H. Chernoff: A measure of asymptotic efficiency for tests of a hypothesis based on the sum of observations. Annals of Mathematical Statistics, 23 1952, 493–507. 230

258

Irodalomjegyzék

[52] R. Chow, T. Johnson: Distributed Operating Systems and Algorithms. Addison-Wesley, Reading, 1997. 569 oldal, 512 hivatkozás, 0-201-49838-3. 238 [53] L. Chua, T. Roska: Cellular Neural Networks and Visual Computing - Foundations and Applications. Cambridge University Press, Cambridge, 2001. 380 oldal, ISBN 0521652472. 239 [54] E. G. Coffman jr.: Computer and Job Shop Scheduling. John Wiley & Sons, New York, 1976. 299 oldal, 158 hivatkozás, ISBN 0-47116319-8. 230, 231 [55] E. G. Coffman jr., J. Csirik, G. J. Woeginger: Approximate solutions to bin packing problems. In: [308]. [56] E. G. Coffman jr., G. Galambos, S. Martello, D. Vigo: Bin packing approximation algorithms: combinatorial analysis. In [82], 151–208. 232 [57] R. Cole, U. Vishkin: Deterministic coin-tossing with applications to optimal parallel list ranking. Information and Control 70 1986, 32–53. [58] T. H. Cormen, C. Lee, E. Lin: Instructor’s Manual. The MIT Press, Cambridge, 2002. 402 oldal. 231 [59] T. H. Cormen, C. E. Leiserson, R. L. Rivest: Introduction to Algorithms. The MIT Press/McGraw-Hill, Cambridge/New York, 1990, 1028 oldal, 205 hivatkozás. ISBN 0-262-03141-8. Magyarul: Algoritmusok. Harmadik kiadás. Műszaki Könyvkiadó, Budapest, 2001. XVI+884 oldal, 205+65 hivatkozás, ISBN 963 163029 3. 227, 230, 231, 233, 240

Irodalomjegyzék

259

[60] T. H. Cormen, C. E. Leiserson, R. L. Rivest, C. Stein: Introduction to Algorithms. The MIT Press/McGraw-Hill, Cambridge/New York, 2001. XI+1180 oldal, 320 hivatkozás. ISBN 0-262-03293-7. Magyarul: Új algoritmusok. Scolar, Budapest, 2003 szeptember. 1020 oldal, ISBN 963 9193 90 9. 229, 231 [61] Cseke Vilmos: A gráfelmélet és alkalmazásai. Tudományos Könyvkiadó, Bukarest, 1972. 165 oldal, 8 hivatkozás. 232 [62] Cserny László: RISC processzorok. LSI, Budapest, 1996. 403 oldal, 34 hivatkozás, ISBN 963 577 155 X. 238 [63] J. Csirik, G. Galambos, J. B. G. Frenk, A. H. G. Rinnooy Kan: A probabilistic analysis of a dual bin packing problem. Journal of Algorithms 12 (1987), 189-203. 232 [64] J. Csirik, B. Imreh: On the worst case behaviour of the Next-k Fit bin packing algorithm. Acta Cybernetica 1989, 89–95. 232 [65] J. Csirik, D. S. Johnson: Best is better than first. Algoritmica. 31 2001, 115–138. 31 hivatkozás. 232 [66] J. Csirik, G. J. Woeginger: On-line packing and covering problems. In: [94], 147–177. 237 [67] Csizmazia Balázs: Hálózati alkalmazások készítése. Kalibán Bt., Budapest, 1998. 362 oldal, 16 hivatkozás, ISBN 963 04 9630 5.

[68] Csörnyei Zoltán: Fordítási algoritmusok. Erdélyi Tankönyvtanács, Kolozsvár, 2000. VII+195 oldal, 13 hivatkozás, ISBN 973 99814 8 8. 238

260

Irodalomjegyzék

[69] Csörnyei Zoltán: Típuselmélet (Kombinátor logika. λ-kalkulus. Típusos λ-kalkulus. Elektronikus jegyzet. ELTE Informatikai Tanszékcsoport, Budapest, 2003. 238 [70] Csörnyei Zoltán, Kása Zoltán:: Formális nyelvek és fordítóprogramok. Kolozsvári Egyetemi Kiadó, Kolozsvár, 2007. ISBN 973 610 505 9. [71] Csörnyei Zoltán: Lambda-kalkulus a funkcionális programozás alapjai Typotex, Budapest, 2007, ISBN-13 978-963-9664-46-3. [72] Demetrovics János, Denev J., Pavlov R.: Bevezetés a számítástudományba. Tankönyvkiadó, Budapest, 1982. 374 oldal, 26 hivatkozás, ISBN 963 118463 8 229, 235 [73] J. Dénes, A. D. Keedwell: Latin Squares. North-Holland, Amsterdam, 1991. XIV+453 oldal, ISBN 0-444-88899-3. 237 [74] L. Devroye, L. Györfi, G. Lugosi: A Probabilistic Theory of Pattern Recognition. Springer-Verlag, New York, 1996. 242 [75] R. Diestel: Graph Theory. Springer-Verlag, Berlin, 1997. 312 oldal, ISBN 0-387-95014-1. 232 [76] D. Dolev, M. Klawe, M. Rodeh: An O(N log N ) unidirectional distributed algorithm for extrema-finding in circle. Journal of Algorithms 3 1982, 245-260. 234 [77] J. J. Donovan: Systems Programming. McGraw-Hill, 1972. Magyarul: Rendszerprogramozás. Műszaki Könyvkiadó, Budapest, 1976. 238

Irodalomjegyzék

261

[78] J. A. Dossey, A. D. Otto, L. E. Spence, C. W. Eynden: Discrete Mathematics. Scott, Foresman and Company, Glenview, 1972. 482 oldal, 45 hivatkozás, ISBN 0-673-18191-X. 235 [79] Dringó

László,

Kátai

Imre:

Bevezetés

a

matematikába.

Tankönyvkiadó, Budapest, 1977. 288 oldal. 229, 235 [80] Drmota, Michael: Random trees. An interplay between combinatorics

and

probability.

SpringerWienNewYork,

Vienna,

2009. xviii+458 oldal, 209 hivatkozás, ISBN 978-3-211-75355-2. MR2484382 (2010i:05003). [81] Drommerné Takács Viola (szerkesztő): Sejtautomaták. Gondolat, Budapest, 1978. 288 oldal, 176 hivatkozás, ISBN 963 280 665 4. 228, 239 [82] D.-Z. Du, P. M. Pardalos: Handbook of Combinatorial Optimization. Supplement Volume. Kluwer Academic Publishers, 1999. 656 oldal, ISBN 0-7923-5924-0. 258 [83] F. Ercal, S. Olariu, A. Y. Zomaya (szerkesztők): Solutions to Parallel and Distributed Computing Problems: Lessons from Biological Sciences. John Wiley, 2001. ISBN 0-471-35352-3. [84] P. Erdős: The Art of Counting (szerkesztő J. Spencer). The MIT Press, Cambridge, 1973. 742 oldal, 596 hivatkozás, ISBN 0-26219116-4. 236 [85] P. Erdős, J. Spencer: Probabilistic Methods in Combinatorics. Akadémiai Kiadó/Academic Press, Budapest/New York, 1974. 106 oldal, 119 hivatkozás. 230 [86] M. Erickson: Perls of Discrete Mathematics. CRC Press, London, 2010. 270 oldal. ISBN 978-1-4398-1616-5.

262

Irodalomjegyzék

[87] Ésik Zoltán, Gombás Éva, Iván Szabolcs: Feladatok az automaták és formális nyelvek témakörben. Elektronikus tankönyv. Szegedi Egyetem Informatikai Tanszékcsoport, Szeged, 2011 (megjelenőben). [88] G. E. Farin: Curves and Surfaces for Computer Aided Geometric Design. A Practical Guide. Negyedik kiadás. Academic Press, 1998. 240, 298 [89] Farkas Zsuzsa, Futó Iván, Langer Tamás, Szeredi Péter: MPROLOG programozási nyelv. Műszaki Könyvkiadó, Budapest, 1986. 280 oldal, 8 hivatkozás. 237 [90] Fekete István, Gregorics Tibor, Nagy Sára: Bevezetés a mesterséges intelligenciába. LSI Kiadó, Budapest, 1990. 289 oldal, 28 hivatkozás. Gábor Dénes Főiskola, Budapest. 1999. 292 oldal, 33 hivatkozás. 240 [91] W. Feller: An Introduction to Probability Theory and its Applications. Harmadik kiadás. John Wiley & Sons, New York, 1968. Magyarul: Bevezetés a valószínűségszámításba. Műszaki Könyvkiadó, Budapest, 1978. 478 oldal, hivatkozás, ISBN 963 102 070 3. 230 [92] S. Ferenczi, Z. Kása: Complexity of finite and infinite words. Theoretical Computer Science 218 1999, 177–195. MR2000d:68121, ZB916.68112 231 [93] M. Ferenczi, L. Rónyai: Mathematical Foundations of Computer Science. Akadémiai Kiadó, Budapest, 2005 (megjelenőben). 236

Irodalomjegyzék

263

[94] A. Fiat, G. J. Woeginger: Online Algorithms. The State of Art. LNCS 1442. Springer-Verlag, Berlin, 1998. 436 oldal, 1285 hivatkozás, ISBN 3-540-64917-4. 259 [95] P. Flach: Simply Logical. Intelligent Reasoning by Example. John Wiley Şons. 1989., London. 236 oldal, 45 hivatkozás. Magyarul: Logikai programozás. Panem, Budapest, 2001. 288 oldal, 45 hivatkozás, ISBN 963 545 297 7. 235 [96] P. Flajolet, R. Sedgewick: Annalytic Combinatorics. Cambridge University Press,Cmabridge, 2009. 810 oldal, 630 hivatkozás, ISBN 978-0-521-89806-5. MR2483235 (2010h:05005), Zbl 1165.05001. [97] C. A. Floudas, P. M. Pardalos: Encyclopedia of Optimization (7 kötet). Kluwer Academic Publishers, 2001, 3200 oldal, ISBN 07923-6932-7. 242 [98] R. W. Floyd, R. L. Rivest: Expected time bounds for selection Communication of ACM 18 (3) 1975, 165–172. 232 [99] M. J. Flynn: Very high-speed computer systems. Proceedings of the IEEE 5 (6) 1966, 1901–1909. 230 [100] F. Forgó, J. Szép, F. Szidarovszky: Introduction to Games: Concepts, Methods and Applications. Kluwer Academic Press, Boston, 1999. 352 oldal, 152 hivatkozás, ISBN 0-7923-5775-2. 242 [101] P. Fornai, A. Iványi: FIFO anomaly is unbounded. Acta Univ. Sapientiae, Informatica, 1 (1) (2009), 71–88. 40 hivatkozás. [102] S. Fortune, J. Wyllie: Parallelissm in RAM’s. In: Proceedings of the 10-th ACM STOC. 1978, 114-118.

264

Irodalomjegyzék

[103] Fóthi Ákos: Bevezetés a programozáshoz. Eötvös Kiadó, Budapest, 2006 (harmadik kiadás). 302 oldal. Digitálisan: Bevezetés a programozáshoz. ELTE IK, Budapest, 2005. [104] Á. Fóthi, Z. Horváth, T. Kozsik: Parallel elementwise processing - a Novel version. Annales Univ. Sci. Budapest de R. Eötvös Nom., Sectio Computatorica 17 1998, 105–124. MR 2000c:68150, ZB 0981.68177. [105] Frank András: Kombinatorikus algoritmusok. Elektronikus jegyzet. ELTE, Operációkutatási Tanszék, Budapest, 2003. 57 oldal. 242 [106] S. French: Sequencing and Scheduling. Ellis Horwood Limited, New York, 1982. 245 oldal, 234 hivatkozás, ISBN 0-85312-364-0. 239 [107] Freud Róbert: Lineáris algebra. ELTE Eötvös Kiadó, Budapest, 1996. 518 oldal, ISBN 963 463 080 4. 235 [108] Freud

Róbert,

Gyarmati

Edit:

Számelmélet.

Nemzeti

Tankönyvkiadó, Budapest, 2000. 740 oldal, ISBN 9631907848. 235 [109] Frey Tamás, Szelezsán János: Matematikai kibernetika. Akadémiai Kiadó, Budapest, 1973. 120 oldal. 228 [110] Frey Tamás, Szelezsán János: Számítástechnika. Akadémiai Kiadó, Budapest, 1973. 168 oldal. 228 [111] R. Fullér: Introduction to Neuro-Fuzzy Systems. Advances in Soft Computing Series. Springer-Verlag, Berlin/Heidelberg, 2000. 289 oldal, 46 hivatkozás, ISBN 3-7908-1256-0. 242

Irodalomjegyzék

265

[112] Futó Iván, Fekete István, Gregorics Tibor, Gyimóthy Tibor, Nagy Sára, Sántáné Tóth Edit, Tatai Gábor. Mesterséges intelligencia. Aula Kiadó, Budapest, 1999. XIX+986 oldal, ISBN 963 907 899 9. 240 [113] Fülöp Zoltán: Formális nyelvek és szintaktikus elemzésük. Polygon, Szeged, 1999. 238 [114] Füsi János: 3D grafikai animáció. LSI Kiadó, Budapest, 1993. 227 oldal, 7 hivatkozás, ISBN 963 618 111 X. 240 [115] Galambos Gábor: Operációs rendszerek. Műszaki Könyvkiadó, Budapest, 2003. ISBN 963 162284 3. 238 [116] Galántai Aurél, Hujter Mihály: Optimalizálási módszerek. Miskolci Egyetemi Kiadó, Miskolc, 1997. [117] Galántai Aurél, Jenei András: Numerikus módszerek. Miskolci Egyetem Kiadó, Miskolc, 1998. 171 oldal, ISBN 963 661 3117. 241 [118] H. Garcia-Molina, J. D. Ullman, J. Widom: Database System Implementation. Prentice Hall, 2000. 654 oldal, 109 hivatkozás. Magyarul: Adatbázisrendszerek megvalósítása (szerkesztette Benczúr András). Panem, Budapest, 2001. 684 oldal, 109 hivatkozás, ISBN 9635452 80 2. 240 [119] M. R. Garey, D. S. Johnson: Computers and Intractability: A Guide to the Theory of NP-Completeness. W. H. Freeman, San Francisco, 1979. 338 oldal, 763 hivatkozás. ISBN 0-7167-1044-7. 229, 237

266

Irodalomjegyzék

[120] G. P. Gavrilov, A. A. Szapozsenko: Diszkrét matematikai feladatgyűjtemény (oroszul). Moszkva, Nauka, 1977, 367 oldal. Magyarul: Diszkrét matematikai feladatgyűjtemény (fordította Bagyinszki János). Műszaki Könyvkiadó, Budapest, 1981. 357 oldal, 36 hivatkozás, ISBN 963 103 779 9. 235 [121] Gergó Lajos: Numerikus módszerek. Példák és feladatok. ELTE Eötvös Kiadó, Budapest, 2000. 204 oldal, 16 hivatkozás. 241 [122] A. Gibbons, W. Rytter: Efficient Parallel Algorithms. Cambridge University Press, 1988, 259 oldal, 154 hivatkozás. ISBN 0 52134585 4. 228, 231 [123] B. Gilchrist (szerkesztő): Proceedings of Information Processing’77. North-Holland, 1977. 281 [124] C. Girault, R. Valk (szerkesztők): Petri Nets for System Engineering. A Guide to Modelling, Verification, and Applications. SpringerVerlag, Berlin, 2003. 597 oldal, ISBN 3-540-41217-4. 239 [125] P. Gloor, C. Dynes, L. Lee: Animated Algorithms. A Hypermedia Learning Environment for Introduction to Algorithms. CD ROM. The MIT Press, 1993. 240 [126] D. E. Goldberg: Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Publ. Comp. 1989. 412 oldal, ISBN 0201157675. 237 [127] J. Gruska: Foundations of Computing. International Thomson Computer Press, London, 1997. 716 oldal, 427 hivatkozás, ISBN185032-243-0. 227 [128] Gonda János: Bevezetés a matematikába. III.. ELTE TTK, Budapest, 1998. 295 oldal, 17 hivatkozás. 229, 235

Irodalomjegyzék

267

[129] G. H. Gonnet, R. Baeza-Yates: Handbook of Algorithms and Data Structures. In Pascal and C. Addison-Wesley, Wokingham, 1991. 424 oldal, 1350 hivatkozás, ISBN 0-201-41607-7. 227 [130] D. H. Greene, D. E. Knuth: Mathematics for the Analysis of Algorithms. Birkhäuser, Boston, 1990. 132 oldal, 44 hivatkozás, ISBN 0-8176-3515-7. 230 [131] R. Greenflaw, J. Hoover, J. W. Ruzzo: Limits to Parallel Computation: P-completeness Theory. Oxford University Press, New York, 1995. ISBN 0 19 508591 4. 228 [132] J. Gruska: Foundations of Computing. International Thompson Publishing, London, 1997. XVII+716 oldal, 320 hivatkozás, ISBN 1-85032-243-0. 227 [133] J. Gustafson: Reevaluating Amdahl’s law. Communications of ACM 28 (1) 1988, 532–535. 229 [134] Gyimóthy Tibor, Kiss Ákos, Havasi Ferenc: Fordítóprogramok. Elektronikus tankönyv. Szegedi Egyetem Informatikai Tanszékcsoport, Szeged, 2011 (megjelenőben). [135] L. Györfi, M. Kohler, A. Krzyzak, H. Walk: A Distribution-Free Theory of Nonparametric Regression. Springer-Verlag, New York, 2002. 242 [136] Györfi László, Győri Sándor, Vajda István: Információ- és kódelmélet. Typotex Kiadó, Budapest, 2000. 371 oldal, 42 hivatkozás, ISBN 963 9132 845. 242 [137] L. Györfi (szerkesztő) Principles of Nonparametric Learning. Springer-Verlag, Wien/New York, 2002. 242

268

Irodalomjegyzék

[138] P. R. Halmos: Naive Set Theory. Springer-Verlag, New York, 1987. 104 oldal, 19 hivatkozás, ISBN 0387900926. Magyarul: Elemi halmazelmélet (fordította Kósa András). Műszaki Könyvkiadó, Budapest, 1981. 100 oldal, 19 hivatkozás, ISBN 963 10 3857 2. 230 [139] T. J. Harris: A survey of PRAM simulation techniques. ACM Computing Surveys 26 1964, 164–206. [140] Hatvani László, Imreh Balázs: Kombinatorikus optimalizálás. Novadat Bt., Győr, 1999. [141] R. L. Haupt, S. E. Haupt: Practical Genetic Algorithms. Wiley, John & Sons, 1997. 192 oldaL, ISBN 0471188735. [142] M. T. Heath, A. Ranade, R. S. Schreiber (szerkesztők): Algorithms für Parallel Processors. IMA 105. Springer-Verlag, Berlin, 1999, 366 oldal. ISBN 0387-98680-4. 231 [143] H.-D. Hecker: Übungsserie für Algorithmen und Datenstrukturen. Friedrich Schiller Universität, Jena, 2003. 231 [144] J. L. Hennessy, D. A. Patterson: Computer Architecture. A Quantitative Approach. Morgan Kaufmann Publishers, San Mateo, 2002. 1136 oldal, ISBN 55860 596 7. 238 [145] R. Henrici: Numerikus módszerek. Műszaki Könyvkiadó, Budapest, 1985. 370 oldal, 56 hivatkozás, ISBN 963 10 6419 0. 241 [146] D. S. Hirschberg, J. B. Sinclair: Decentralized extrema-finding in circular configurations of processes. Communications of ACM 23 1980, 627–628. 234

Irodalomjegyzék

269

[147] D. S. Hochbaum: Approximation Algorithms for NP-hard Problems. PWS Publishing Company, Boston, 1995. 596 oldal, 683 hivatkozás, ISBN 0-534-94968-1. 237 [148] M. Hofri: Probabilistic Analysis of Algorithms. Springer-Verlag, New York, 1987. 240 oldal, 102 hivatkozás, ISBN 0-387-96578-5. 230 [149] J. E. Hopcroft, R. Motwani, J. D. Ullman: Introduction to Automata Theory. Languages and Computation. Addison-Wesley, Boston, 2001. 521 oldal, ISBN 0-201-44124-1. 238 [150] E. Horowitz: Fundamentals of Programming Languages. 2. kiadás. Computer Science Press, Rockville, 1984. Magyarul: Magasszintű programozási nyelvek. Műszaki Könyvkiadó, Budapest, 1987. 334 oldal, 236 hivatkozás, ISBN 963-10-7211-8. 237 [151] E. Horowitz, S. Sahni, Sanguthevar Rajasekaran: Computer Algorithms. Computer Science Press, New York, 1998. 769 oldal. ISBN 0-7167-8316-9. 229, 233 [152] Horváth László, Pirkó József: Számítástechnikai lexikon. 1. kötet. Az alapok. Kossuth Könyvkiadó, Budapest, 1996. 227 oldal, ISBN 963 093 871 5. 228 [153] Horváth László, Pirkó József: Számítástechnikai lexikon. 2. kötet. Windows. Kossuth Könyvkiadó, Budapest, 1997. 138 oldal, ISBN 963 09 3872 3. 228 [154] Horváth László, Pirkó József: Informatikai tudástár. Kiskapu Kiadó, Budapest, 2001. 608 oldal, 12 hivatkozás, ISBN 9639301280. 228

270

Irodalomjegyzék

[155] Horváth Márk, Iványi Antal: Growing perfect cubes. Discrete mathematics. 231 [156] Horváth Zoltán: Parallel asynchronous computation of the values of an associative function. Acta Cybernetica 12 (1) (1995), 83-94. ZB0830.68084. 232 [157] Horváth Zoltán: The formal specification of a problem solved by a parallel program – a relational modell. Annales Univ. Sci. Budapest., Sectio

Computatorica 18 1998, 173–191. MR

2000g:68095. [158] Horváth Zoltán: Párhuzamos programozás alapjai. Kézirat. ELTE Informatikai Tanszékcsoport, Budapest, 1996. 146 oldal. 232, 241 [159] Horváth Zoltán, Kozsik Tamás, Venczel Tibor: Parallel programs implementing abstract data type operations. Pure Mathematics and Applications 11 (2) (2000), 293-308. ZBpre01668902. 236 [160] Horváth Zoltán, Hernyák Zoltán, Kozsik Tamás, Tejfel Máté, Ulbert Attila: A data intensive computation on a cluster. In: [199], 49–53. [161] Hunyadvári László, Manherz Tamás: Formális nyelvek. Elektronikus kézirat. ELTE, Informatikai Tanszékcsoport, 2004. 238 [162] K. Hwang: Advanced Computer Architecture. McGraw-Hill, Inc., New York, 1993. 672 oldal, ISBN 0 07 031622 8. 238 [163] IEEE, ACM: Computing Curricula 2001. Institut of Electrical and Electronics Engineering and Association for Computing Machinery, 2001. 220 oldal. 234

Irodalomjegyzék

271

[164] Imreh Balázs, Imreh Csanád: Kombinatorikus optimalizálás. Novadat, Győr, 1999. 208 oldal, 98 hivatkozás. 242 [165] Imreh Csanád, Dósa György: Online algoritmusok. Elektronikus tankönyv. Szegedi Egyetem Informatikai Tanszékcsoport, Szeged, 2011 (megjelenőben). [166] Iványi Anna: Szóbeli közlés. Budakalász, 2002. 231 [167] A. Iványi: Performance bounds for simple bin packing algorithms. Annales Univ. Sci. Budapest., Sectio Computatorica 5 1984, 77– 82. MR 87h:68067, ZB 592.90045 232 [168] A. Iványi: On the d-complexity of words. Annales Univ. Sci. Budapest. Sectio Computatorica 8 (1987), 69–90. MR90d:68063, ZB663.68085. 231 [169] A. Iványi: Tight worst-case bounds for bin packing algorithms. In: Theory of Algorithms. North-Holland, Amsterdam, 1985. 233–240. MR 88g:68051 232 [170] A. Iványi: Párhuzamos algoritmusok. ELTE Eötvös Kiadó, Budapest, 2003. 335 oldal, ISBN 963 463 590 3. 228 [171] A. Iványi (szerk.): Informatikai algoritmusok 1 ELTE Eötvös Kiadó, Budapest, 2004. 816 oldal, 514 hivatkozás, ISBN 963 463 664 0. 237 [172] A. Iványi (szerk.): Informatikai algoritmusok 2 ELTE Eötvös Kiadó, Budapest, 2005. 784 oldal, 366 hivatkozás, ISBN 963 463 664 0. 237

272

Irodalomjegyzék

[173] A. Iványi, Construction of infinite de Bruijn arrays. Discrete Applied Mathematics 22 (3) 1988/89, 289–293. MR 80d.68063, ZB 662.9411. 231 [174] A. Iványi: Construction of three-dimensional perfect matrices. Ars Combinatoria 29C (1990), 33-40. 231 [175] Iványi: Maximal tournaments. Pure Mathematics and Applications, 2003. 14 oldal (megjelenőben). 13 (1–2) (2002), 171–183. 231 [176] Iványi Antal: Ütemezéselmélet. Elektronikus kézirat. ELTE Informatikai Tanszékcsoport, Budapest, 2003. 48 oldal, 15 hivatkozás. 239 [177] Iványi Antal: Reconstruction of complete interval tournament. Acta Univ. Sapientiae, Informatica, 1 (1) (2009), 71–88. [178] Iványi Antal: Density of safe matrices. Acta Univ. Sapientiae, Mathematica, 1 (2) (2009), 121–142. [179] Iványi Antal: Reconstruction of complete interval tournament. II. Acta Univ. Sapientiae, Mathematica, 2 (1) (2010), 47–71. [180] A. Iványi, I. Kátai: Processing of random sequences with priority. Acta Cybernetica 4 (1) 1978/79, 85–101. ISBN 0324-721X. 232 [181] A. Iványi, I. Kátai: Modeling of priorityless processing in an interleaved memory with a perfectly informed processor. Automation and Remote Control 46 1985 (4), 520–526. Translation from Avtom. Telemekh. (4) 1985, 129–135. ZB 581.68035 232 [182] A. Iványi and Zs. Németh: List coloring of Latin and Sudoku graphs. In Proc. of 8th MACS (in print).

Irodalomjegyzék

273

[183] B. Novák, Testing of sequences by simulation Acta Univ. Sapientiae, Informatica, 2, (2) (2010), 135–153. [184] A. Iványi and Z. Tóth: Existence of de Bruijn words. In: Second Conference on Automata, Languages and Programming Systems (Salgótarján, 1988), Karl Marx Univ. Econom., Budapest, 1988, 165-172. oldal. MR 91k:05016. 231 [185] A. Iványi, J. Pergel: Performance evaluation of an algorithm, processing 0-1 sequences with priority. Annales Univ. Sci. Budap., Sectio Computatorica 5 1984, 37-40. ZB 613.65148 232 [186] Iványi A., Szmeljánszkij, R. L.: Az elméleti programozás elemei (oroszul). Moszkvai Állami Egyetem, Moszkva, 1985. 193 oldal. 230, 236, 239 [187] Iványi Antalné, Kovács Zoltán: A PL/1 programozási nyelv. Tankönyvkiadó, Budapest, 1979. 250 oldal, 6 hivatkozás. 237 [188] J. Jájá: An Introduction to Parallel Algorithms: Design and Analysis. Addison-Wesley, Reading, 1992. X+566 oldal, ISBN 0201548569. 228, 231 [189] Jakobi,

Gyula:

Az ODRA-1013 számítógép programozása.

Tankönyvkiadó, Budapest, 1987. 122 oldal. 237 [190] Járai Antal: Mérték és integrál. Nemzeti Tankönyvkiadó, Budapest, 2002. 198 oldal, 50 hivatkozás, ISBN 963 19 3273 7. 242 [191] Járai Antal: Maple feladatok. Elektronikus feladatgyűjtemény. ELTE Informatikai Tanszékcsoport, Budapest. 12 oldal. 231, 235 [192] Járai Antal: Bevezetés a matematikába. Eötvös Kiadó, Budapest, 2005. ??? oldal, ?? hivatkozás, ISBN 963 19 ???? ?. 229

274

Irodalomjegyzék

[193] L. A. Jeffress (szerkesztő): Celebral Mechanisms in Behavior. John Wiley & Sons, New York, 1951. 285 [194] N. D. Jones: Computability and Complexity. From a Programming Perspective. The MIT Press, Cambridge. 1997. 466 oldal, 166 hivatkozás, ISBN 0-262-10064-9. 237 [195] Jordán Tibor, Recski András, Szeszlér Dávid: Rendszeroptimalizálás. Typotex, Budapest, ????. ISBN-13 978-963-9548-39-8, ISBN-10 963-9548-39-1. ??? oldal, ??? hivatkozás. [196] D. Jungnickel: Graphs, Networks and Algorithms. Springer-Verlag, Berlin, 2002. 588 oldal, 617 hivatkozás, ISBN 3-540-63760-5. 232 [197] Jutasi István: Az Internet felépítése és működése. Műszaki Könyvkiadó, Budapest, 1997. 104 oldal, ISBN 963 16 1253 8. 239 [198] P. Kacsuk, G. Kotsis (szerkesztők): Distributed and Parallel Systems. Kluwer Academic Publishers, Dordrecht, 2000. VII+541 oldal, 30 cikk, ISBN 079-237-892-X. 230, 238 [199] P. Kacsuk, D. Kranzlmüller, Zs. Németh, J. Volkert: Distributed and Parallel Systems: Cluster and Grid Computing. Kluwer Academic Publishers, Dordrecht, 2002. The Kluwer International Series in Engineering and Computer Science, 706. 232 oldal, ISBN 1402072090.

230, 238, 270

[200] Kása Zoltán: Algoritmusok tervezése. Studium Könyvkiadó, Kolozsvár, 1994. 120 oldal, 11 hivatkozás, ISBN 973-96342-2-2. 227 [201] Kása Zoltán: Gráfelméleti feladatok. Kolozsvár, BBE, 2003. 232 [202] Kása Zoltán: Kombinatorika alkalmazásokkal. Kolozsvár, BBE, 2003. 188 oldal, 71 hivatkozás, ISBN 973-610-152-5.

Irodalomjegyzék

275

[203] Kátai Imre: Szimulációs módszerek. Tankönyvkiadó, Budapest, 1981. 163 oldal. 237 [204] Katona Y. Gyula, Recski András, Szabó Csaba: A számítástudomány alapjai. Typotex, Budapest, 2006. ??? oldal. 232 [205] Katona Y. Gyula, Recski András, Szabó Csaba: Gráfelmélet, algoritmuselmélet és algebra. Typotex, Budapest, 2006. 235 oldal. [206] A. Kaufmann: Des points et des fleches ... la théorie des graphes. Magyarul: Pontok, élek, ívek ... gráfok. Műszaki Könyvkiadó, Budapest, 1972, 173 oldal, 21 hivatkozás. 232 [207] Kelemen József, Nagy Sára: Bevezetés a mesterséges intelligenciába. ELTE TTK, Budapest, 1990. 132 oldal, 102 hivatkozás. 240 [208] A. Kemnitz, S. Dulff: Score sequences of multitournaments. Congressus Numerantium 127 1997, 85–95. 232 [209] B. W. Kernighan, R. Pike: The UNIX programming Environment. Prentice-Hall Inc., 1984. Magyarul: A UNIX operációs rendszer. Műszaki Könyvkiadó, Budapest, 1987. 362 oldal, ISBN 963 10 7452 8. [210] B. W. Kernighan, D. M. Ritchie: The C Programming Language. Bell Telephone Laboratories, 1988. Magyarul: A C programozási nyelv (fordította Molnár Ervin). Műszaki Könyvkiadó, Budapest, 1994. 292 oldal, ISBN 963 16 0552 3. [211] J. H. Kingston: Algorithms and Data Structures. Addison-Wesley, Harlow, 1997. 380 oldal, 47 hivatkozás, ISBN 0-201-40374-9. [212] Kiss Béla, Krebsz Anna: Játékelmélet. SzIF Universitas, Győr, 1999. 72 oldal, 8 hivatkozás. 242

276

Irodalomjegyzék

[213] Kiss Ottó, Kovács Margit: Numerikus módszerek. Műszaki Könyvkiadó, Budapest, 1973. 547 oldal, 7 hivatkozás. ETO 681.3.041. 241 [214] Klein Sándor: The Effects of Modern Mathematics. Akadémiai Kiadó, Budapest, 1987. 436 oldal, 532 hivatkozás, ISBN 963 05 4023 1. 235 [215] L. Kleinrock: Sorbanállás. Kiszolgálás. Bevezetés a tömegkiszolgálási rendszerek elméletébe (fordította Mihaletzky György). Műdszaki Könyvkiadó, Budapest, 1979. 352 oldal, ETO 519.242, ISBN 963 10 2725 2, 91 hivatkozás. Angolul: Queueing Systems. I. J. ohn Wiley and Sons, New York, 1975. [216] Klincsik Mihály, Maróti György: Maple 8 tételben a matematikai problémamegoldás művészetéről. Novadat Számítástechn. Bt., Budapest, 1996. 361 oldal, ISBN 9638541725. 236 [217] D. E. Knuth: Big omicron and big omega and big theta. ACM SIGACT News 8 (2) 1976, 18–23. 229 [218] D. E. Knuth, R. L. Graham, O. Patashnik: Concrete Mathematics: A Foundation for Computer Science. Második kiadás. Addison-Wesley, Reading, 1995. oldal, 383 hivatkozás, ISBN 0201-55802-5. Magyarul: Konkrét matematika (szerkesztette Kátai Imre). Műszaki Könyvkiadó, Budapest, 1998. 647 oldal, 383 hivatkozás, ISBN 963-16-1422-0. 229, 230 [219] D. E. Knuth: The Stanford Graphbase:A Platform for Combinatorial Computing. Addison-Wesley, Reading, 1994. 236

Irodalomjegyzék

277

[220] D. E. Knuth: MMIXware: a RISC computer for the third millenium. Springer-Verlag, 1999. VIII+5550 oldal, ISBN 3 540 66938 8. 238 [221] D. E. Knuth: The Art of Computer Programming. Vol. 1. Fundamental Algorithms. Third Edition. Addison-Wesley, Reading, 1997. 650 oldal, ISBN 0-201-89683-4. Magyarul: A számítógépprogramozás művészete. 1. kötet. Alapvető algoritmusok (szerkesztő: Simonovits Miklós). Műszaki Könyvkiadó, Budapest, 1987. 654 oldal, 963 10 7156 1. 227 [222] D. E. Knuth: The Art of Computer Programming. Vol. 2. Seminumerical Algorithms. Addison-Wesley, Reading, 1998. 762 oldal. ISBN 0 201-89684-2. Magyarul: A számítógép-programozás művészete. 2. kötet. Szeminumerikus algoritmusok (szerkesztő: Simonovits Miklós). Műszaki Könyvkiadó, Budapest, 690 oldal, ISBN 963 10 7119 7. 227 [223] D. E. Knuth: The Art of Computer Programming. Vol. 3. Searching and Sorting. Addison-Wesley, Reading, 1998. 780 oldal. ISBN 0 201-89685-0. Magyarul: A számítógép-programozás művészete. 3. kötet. Keresés és rendezés. (szerkesztő: Simonovits Miklós). Műszaki Könyvkiadó, Budapest, 1988 és 1994.761 oldal, ISBN 963 16 077 7. 227 [224] D. E. Knuth: Selected Papers on Analysis of Algorithms. Center for the Study of Language and Information, Leland Stanford Junior University, 2000. 621 oldal, 408 hivatkozás, ISBN 1-57586-212-3. 229

278

Irodalomjegyzék

[225] D. E. Knuth: The Art of Computer Programming. Vol. 4. Combinatorial Algorithms. Elektronikus kézirat. Stanford University, 2003. 208 oldal. 227, 231, 236 [226] Komlósi Sándor (szerkesztő): Az optimalizáláselmélet alapjai. Dialóg Campus Kiadó, Budapest-Pécs, 2001. 408 oldal, ISBN 963 9123 09 9. 242 [227] E. Korach, S. Moran, S. Zaks: The optimality of distributive constructions of minimum weight and degree restricted spanning trees in a complete network of processors. In: Proceedings of Symposium on Principles of Distributed Computing. 1985. [228] Korolev, L. N.: Számítógépek felépítése és szoftverje (oroszul). Nauka, Moszkva, 1978. 351 oldal, 29 hivatkozás. [229] Kotov, V. E. Petri-hálók. Nauka, Moszkva, 1984. 158 oldal, 89 hivatkozás. 239 [230] Kovács Attila: Komputeralgebra a tudományokban és a gyakorlatban. Alkalmazott Matematikai Lapok 18 1998, 181–202. 66 hivatkozás. [231] A. Kovács: Computer Algebra: Impact and Perspectives. Nieuw Archief voor Wiskunde 17 (1) 1999, 29-55. [232] E. Kovács, Z. Winkler: 5th International Conference on Applied Informatics. Molnár és társa, Eger, 2002. 250 oldal, 30 cikk. [233] Kovács Gábor Zsolt, Pataki Norbert: Rangsorolási algoritmusok. TDK dolgozat. ELTE, Informatikai Tanszékcsoport, Budapest, 2002. 231, 232

Irodalomjegyzék

279

[234] Kovács Győző: A számítógépek technikája. Tankönyvkiadó, Budapest, 1974. 280 oldal, 15 hivatkozás, ISBN 963 17 0531 5. 238 [235] Kovács Margit: A nemlineáris programozás elmélete. Typotex, Budapest, 1997. 200 oldal, ISBN 9637546855. 242 [236] Kovács Margit: Operációkutatás II. Elektronikus jegyzet. ELTE TTK Operációkutatási Tanszék, Budapest, 2000. 242 [237] M. Kovács, F. P. Vasziljev, R. Fullér: Stability of a fuzzy solution of systems of linear algebraic equations with fuzzy coefficients. Moscow University Computational Mathematics & Cybernetics 15 (1) 1989, 4–9; translated from: Proceedings of the Moscow State University. 15 (1) 1989, 5–9 (in Russian). MR 91c:94039, ZB 681.65028. [238] Kozics Sándor: Az ALGOL60, a FORTRAN, a COBOL és a PL/I programozási nyelvek. ELTE TTK, Budapest, 1992. 246 oldal, 52 hivatkozás. 237 [239] Kozma László, Varga László: Párhuzamos rendszerek elemzése. ELTE Informatikai Tanszékcsoport, Budapest, 2002. 151 oldal, 72 hivatkozás. 241 [240] Kozsik Tamás: The application of an associative function on the prefixes of a series. Technical Reports in Informatics of Eötvös Loránd University 2003-A02. Budapest, 2003, 22 oldal. 232 [241] Kőhegyi János (szerkesztő): Ismerd meg a BASIC nyelvjárásait! (HT–1080Z, ABC80, ZX–81) Műszaki Könyvkiadó, Budapest, 1984. 164 oldal, ISBN 963 10 6183 3. 237

280

Irodalomjegyzék

[242] Kőhegyi János (szerkesztő): Ismerd meg a BASIC nyelvjárásait! (ZX Spectrum, TI99/4A, PROPER–16) Műszaki Könyvkiadó, Budapest, 1985. 186 oldal, ISBN 963 10 6183 3 237 [243] Kőhegyi János (szerkesztő): Ismerd meg a BASIC nyelvjárásait! (Commodore 64, Commodore VIC 20, SHARP PC-1500) Műszaki Könyvkiadó, Budapest, 1986. 185 oldal, ISBN 963 10 7051 4. 237 [244] Kőhegyi János (szerkesztő): Ismerd meg a BASIC nyelvjárásait! (Commodore 16, Commodore PLUS4, Commodore 128, VIDEOTON TV-Computer) Műszaki Könyvkiadó, Budapest, 1986. 235 oldal, ISBN 963 10 8155 9. 237 [245] Kurtán Lajos: A közgazdaságtan alapjai. ELTE Eötvös Kiadó, Budapest, 1996. 274 oldal. 241 [246] Kurtán Lajos: Piacgazdaságtan. ELTE Eötvös Kiadó, Budapest, 2001. 241 [247] T. H. Lai, S. Sahni: Anomalies in parallel branch and bound algorithms. Communications of ACM 1984, 594–602. 230, 231 [248] Láng Csabáné: Bevezetés a matematikába. I.. ELTE TTK, Budapest, 1994. 229, 235 [249] Láng Csabáné, Gonda János: Bevezetés a matematikába. II. ELTE TTK, Budapest, 1995. 240 oldal, 18 hivatkozás. 229, 235 [250] W. B. Langdon, R. Poli: Foundations of Genetic Programming. Springer-Verlag, New York, 2002. 274 oldal, ISBN 3540424512. 237 [251] I. A. Lavrov, L. L: Maximova: Halmazelméleti, matemaikai logikai és algoritmuselméleti feladatok. Oroszul Nauka, Moszkva, 1984.

Irodalomjegyzék

281

magyarul: Műszaki Könyvkiadó, Budapest, 1987 (lektorálta: Urbán János). 223 oldal, 38 hivatkozás, ISBN 963 10 7240 X. [252] E. L. Lawler: Combinatorial Optimization: Networks and Matroids. Holt, Rinehart, and Winston, 1976. Magyarul: Kombinatorikus optimalizálás (lektorálta Katona Gyula). Műszaki Könyvkiadó, Budapest, 1982. 358 oldal. ISBN 963 10 4181 6. 227 [253] LEDA: LEDA (Library of Efficient Data Types and Algorithms. Algorithmic Solutions Software GmbH, 2003 (karbantartva, fizetős). 228 [254] D. H. Lehmer: A machine for combining sets of linear congruences. Mathematical Annalen 109 (1934), 661-667. 230 [255] D. H. Lehmer, A photo-electric number sieve. American Mathematical Monthly 40 (1933), 401-406. 230 [256] T. F. Leighton: Introduction to Parallel Algorithms and Architectures: Arrays-Trees-Hypercubes. Morgan Kaufmann, San Francisco, 1992. 831+XX oldal, ISBN 1-55860-117-1. 230, 233 [257] T. F. Leighton: Introduction to Parallel Algorithms and Architectures: Algorithms and VSLI. Morgan Kaufmann Publishers, San Francisco, 2001. 230, 233 [258] G. Le Lann: Distributed Systems: Towards a Formal Approach. In: [123], 155–160. 233 [259] C. Leopold: Parallel and Distributed Computing: A Survey of Models, Paradigms and Approaches. John Wiley & Sons. 2000. 272 oldal, 457 hivatkozás, ISBN 0471358312. 231

282

Irodalomjegyzék

[260] M. Li, P. Vitanyi: An Introduction to Kolmogorov Complexity and its Applications. Springer-Verlag, New York, 1997. XX+637 oldal, 519 hivatkozás, ISBN 0-387-94868-6. 237 [261] A. A. Levitin: Introduction to the Design and Analysis of Algorithms. Addison-Wesley Educational Publishers, Inc., 2002. 528 oldal, ISBN 0201743957. [262] L. Lovász: Combinatorial Problems and Exercises. Akadémiai Kiadó, Budapest, 1979. 551 oldal, 20 hivatkozás. ISBN 963 05 1469 9. Magyarul: Kombinatorikai problémák és feladatok. Typotex, Budapest, 1999. 666 oldal, 39 hivatkozás, ISBN 963 9132 37 3. 236 [263] Lovász László: Algoritmusok bonyolultsága. ELTE TTK, Budapest, 1990. 134 oldal, 12 hivatkozás. 237 [264] Lovász László, Gács Péter: Algoritmusok. Műszaki, Budapest, 1978. 179 oldal, ISBN 963 10 2067 3. Tankönyvkiadó, 1987. 179 oldal, ISBN 963 180 334 1. 227, 228 [265] Lőcs Gyula: Az ALGOL 60 programozási nyelv. 5. kiadás. Műszaki Könyvkiadó, Budapest, 1973. 254 oldal, 24 hivatkozás. 237 [266] Lőcs Gyula, Vigassy József: A FORTRAN programozási nyelv. 3. kiadás. Műszaki Könyvkiadó, Budapest, 1973. 335 oldal, 14 hivatkozás. 237 [267] É. Lucas: Récréations mathématiques. 4 kötet. Gauthier-Villars, Paris, 1891-1894. 229 [268] N. A. Lynch: Distributed Algorithms. Ötödik kiadás. Morgan Kaufman Publishers, San Francisco, 2001, 876 oldal, 290 hivatkozás, ISBN 1-55860-384-4. (Magyarul: Osztott algoritmusok

Irodalomjegyzék

283

(szerkesztette: Iványi Antal). Kiskapu Kiadó, Budapest, 2002. 781 oldal, 290 hivatkozás, ISBN 963 9301 03 5. 228, 229, 230, 233, 234 [269] V. Malyshkin (szerkesztő): Parallel Computing Technologies. LNCS 1662. Springer-Verlag, Berlin, 1999. 510 oldal, 59 cikk. ISBN 3-540-666363-0. 238 [270] Zs. Marczell, Cs. Szepesváry, Zs. Kalmár, A. Lőrincz: Parallel and robust skeletonization built from self-organizing elements. Neural Networks 12 1999, 163–173. 30 hivatkozás. 239 [271] Marton László, Fehérvári Arnold: Algoritmusok és adatstruktúrák. Novadat, Győr, 2002. 344 oldal, 8 hivatkozás, ISBN 963 9056 33 2. 227 [272] E. W. Mayr, H. J. Prömel, A. Steiger: Lectures on Proof Verification and Approximation Algorithms. LNCS 1367, Springer-Verlag, Berlin, 1998. 344 oldal, 133 hivatkozás. ISBN 3-540-64201. 230 [273] K. Mehlhorn: Data Structures and Algorithms. Volume 1. Sorting and Searching. Springer-Verlag, Berlin, 1984. ISBN 3-540-13302-X. 227 [274] K. Mehlhorn: Data Structures and Algorithms. Volume 2. Graph Algorithms and NP-Completeness. Springer-Verlag, Berlin, 1984. ISBN 3 540 13641-X. 227 [275] K. Mehlhorn: Data Structures and Algorithms. Volume 3. Multidimensional Searching and Computational Geometry. SpringerVerlag, Berlin, 1984. ISBN 3-540-13642-8. 227 [276] Mihálykó Csaba, Virágh János: Közelítő és szimbolikus számítások feladatgyűjtemény. Elektronikus tankönyv. Szegedi Egyetem Informatikai Tanszékcsoport, Szeged, 2011 (megjelenőben).

284

Irodalomjegyzék

[277] R. Miller, L. Boxer: Algorithms Sequential and Parallel: A Unified Approach. Prentice Hall, 2000, 336 oldal, 61 hivatkozás. ISBN 0-13086373-4. 228 [278] J. Misra: A Discipline of Multiprogramming: Programming Theory for Distributed Applications. Springer-Verlag, Nerw York, 2001. 440 oldal, ISBN 0387952063. 241 [279] M. Mitchell: An Introduction to Genetic Algorithms. The MIT Press, 1998. 224 oldal, ISBN 0262631857. 237 [280] Molnárka Győző, Gergó Lajos, Wettl Ferenc, Horváth Arnold, Kallós Gábor: A Maple V és alkalmazásai. Springer Hungarica Kiadó, Budapest, 1996. 330 oldal, 18 hivatkozás, ISBN 963 8455 89 6. 236 [281] J. W. Moon: Topics on Tournaments. Holt, Rinehart and Winston. New York, 1968. 103 oldal, 146 hivatkozás. 232 [282] O. Morgenstern, J. Neumann: Theory of Games and Economic Behavior. Princeton University Press, Princeton, 1944, 1947 és 1953. XVIII+625, 641 és 641 oldal. 242 [283] R. Motwani, P. Raghavan: Randomized Algorithms. Cambridge University Press, Cambridge, 2000. 476 oldal, 424 hivatkozás. ISBN 0 521 47465 5. 230 [284] T. V. Narayana, D. H. Bent: Computation of the number of score sequences. Canadian Mathematical Bulletin 7 1964, 133–136. ISBN 0008-4395. 232 [285] Nagy Tibor: Programanimációk. Elektronikus kézirat. Budapest, 2003. ELTE Informatikai Tanszékcsoport. 29 animált algoritmus. 240

Irodalomjegyzék

285

[286] D. Nassimi, S. Sahni: Parallel permutation and sorting algorithms and a generalized interconnection network. Journal of the ACM 29 (3) (1982), 642–667. 233 [287] Netlib:

Collection of mathematical software, papers, and

databases. The University of Tennesse és Oak Ridge National Laboratory, 2003. 228 [288] J. Neumann: The Computer and the Brain. Yale University Press, New Haven, 1958. Magyarul: A számítógép és az agy. Gondolat, Budapest, 1972. 133 oldal. 228 [289] J. Neumann: General and Logical Theory of Automata. In: [193], 1–31 és in [292], 288–328. 228 [290] J. Neumann: Probabilistic Logics and the Synthesis of Reliable Organisms from Unreliable Components. In: [358], 43–98 (lásd még: in [?]). 228 [291] J. Neumann: The Computer and the Brain. Yale University Press. 1958. 82 oldal. 228 [292] J. Neumann: Collected papers. Volume 5. Design of Computers, Theory of Automata and Numerical Analysis. Pergamon Press, Oxford, 1963. 784 oldal. 285 [293] J. Neumann: Theory of Self-reproducing Automata (szerkesztő: W. Burks). University of Illinois Press, Urbana, 1966. XIX+388 oldal, 81 hivatkozás. Oroszul: Az önreprodukáló automaták elmélete. Moszkva, Mir, 1971. 81 hivatkozás, 382 oldal. 228 [294] A. Nijenhuis, H. Wilf: Combinatorial Algorithms. Academic Press, New York, 1978. 302 oldal, 39 hivatkozás, ISBN 0-12-519260-6. 236

286

Irodalomjegyzék

[295] P. Norton, M. Stockman: Network Security Fundamentals. Magyarul: A hálózati biztonság alapjairól. Kiskapu, Budapest, 2000. 501 oldal, 963 93012 1 3. 239 [296] Nyékyné Gaizler Judit (szerkesztő): Az Ada programozási nyelv. ELTE Eötvös Kiadó, Budapest, 1998. 576 oldal, 25 hivatkozás, ISBN 963 463 238 6. 238 [297] Nyékyné Gaizler Judit (szerkesztő): J2EE útikalauz Java programozóknak. + CD-melléklet. ELTE TTK Hallgatói Alapítvány, Budapest, 2002. 719 oldal, 146 hivatkozás, ISBN 963 463 578 4. 238 [298] Nyékyné Gaizler Judit (szerkesztő): Programozási nyelvek. Kiskapu Kiadó, Budapest, 2003. 800 oldal, 192 hivatkozás, ISBN 963 9301 477. 238 [299] Obádovics J. Gyula: Numerikus módszerek és programozásuk. Tankönyvkiadó, Budapest, 1975. 304 oldal, 48 hivatkozás, ISBN 963 17 6877 2. 235, 241 [300] Obádovics J. Gyula: Matematika. 17. kiadás. Scolar, Budapest, 2002. 816 oldal, ISBN 9639193704. [301] Officina Nova: Képes világatlasz. A kék bolygó. A Föld és a természet. Officina, Budapest, 2001. 376 oldal, ISBN 963 477 037 1. 229 [302] K. Okuguchi, F. Szidarovszky: The Theory of Oligopoly with Multi-Product Firms. Spinger-Verlag, New York, 1990 és 1999. 268 oldal, 138 hivatkozás, ISBN 3-540-65779-7. 242

Irodalomjegyzék

287

[303] O. Ore: Graphs and their Uses. Random House, New York, 1944. Magyarul: A gráfok és alkalmazásaik. Gondolat Kiadó, Budapest, 1972. 158 oldal. 232 [304] J. Pachl, E. Korach, D. Rotem: Lower bounds for distributed maximum finding algorithms. Journal of ACM 31 1984, 905-918. 234 [305] C. H. Papadimitriou: Computational Complexity. AddisonWesley, 1995. Magyarul: Számítási bonyolultság (szerkesztette: Ésik Zoltán). Novadat, Győr, 1999. 589 oldal. ISBN 963 9056 20 0. 227, 237 [306] C. H. Papadimitriou, K. Steiglitz: Combinatorial Optimization: Algorithms and Complexity. Dover Publ., Mineola, 1998. 496 oldal, 380 hivatkozás. ISBN 0-486-40258-4. [307] P. M. Pardalos; S. Rajasekaran (szerkesztők): Advances in Randomized Parallel Computing. Kluwer Academic Press Publ., Dordrecht, 1999. 352 oldal, ISBN 0-7923-57140. 230 [308] P. M. Pardalos, M. G. C. Resende: Handbook of Applied Optimization. Oxford University Press, Inc. New York, 2002. XVIII+1095 oldal, ISBN 0195-125940. 242, 258 [309] R. Parent: Computer Animation. Algorithms and Techniques. Morgan Kaufmann Publishers, San Francisco, 2002. XXII+527 oldal, 347 hivatkozás, ISBN 1-55860-579-7. 232, 240 [310] Pásztorné Varga Katalin, Várterész Magdolna: Matematikai logika alkalmazásszemléletű tárgyalása. Panem, Budapest, 2003. 350 oldal, 45 hivatkozás, ISBN 963 545 694 7. 235

288

Irodalomjegyzék

[311] G. Pécsy, L. Szűcs: Parallel verification and enumeration of tournaments. Studia Univ. Babes-Bolyai Informatica XLV (2) 2000, 11–26. 232 [312] D. A. Patterson, J. L. Hennessy: Computer Architecture. A Quantitative Approach.. Morgan Kaufmann Publishers, Inc., San Francisco, 2002. 1136 oldal, ISBN 155860 596 7. [313] D. A. Patterson, J. L. Hennessy: Computer Organization & Design. The Hardware/Software Interface. Morgan Kaufmann Publishers, Inc., San Francisco, 2002. XXIX+757+215 oldal, 155860 4286. [314] G. L. Peterson: An O(n log n) unidirectional algorithm for the circular extrema problem. ACM Transactions on Programming Languages and Systems 4 1982, 758–762. 234 [315] G. L. Peterson: Efficient algorithms for elections in meshes and complete networks. Technical Reports TR140. Department of Computer Science, University of Rochester, Rochester, 1985. 234 [316] A. Pethő: Algebraische Algorithmen, Vieweg Verlag, 1999. 234 oldal, ISBN: 3-528-06598-2. 236 [317] Pirkó József: Turbo Pascal 6.0 for Windows. LSI Kiadó, Budapest, 1992. 682 oldal, ISBN 963 577 021 9. 237 [318] Pirkó József: Turbo Pascal 7.0. LSI Kiadó, Budapest, 1993. 222 oldal, ISBN 963 577 059 6. 237 [319] S. Pirzasa, G. Zou, A. Iványi: Score lists in multipartite hypertournaments, Acta Univ. Sapientiae, Mathematica, 2 (2) 2010, 183–192.

Irodalomjegyzék

289

[320] S. Pirzasa, T. A. Naikoo, U. Samee, A. Iványi: Imbalances in directed multigraphs, Acta Univ. Sapientiae, Mathematica, 3 (1) 2011 (to appear). [321] Pongor György: Pascal. Programozás és algoritmusok. Novotrade Rt., Budapest, 1988. 440 oldal, 13 hivatkozás, ISBN 963 02 58978. 238 [322] R. E. Prather: Elements of Discrete Mathematics. Houghton Mifflin Company, Boston, 1986. 538 oldal, ISBN 0-395-35165-0. 235 [323] Prékopa András: Valószínűségelmélet műszaki alkalmazásokkal. Műszaki Könyvkiadó, Budapest, 1962. 440 oldal, 30 hivatkozás, ISBN 963 10 0575 5. 230 [324] F. P. Preparata: New parallel sorting schemes. IEEE Transactions on Computers C-27 (7) 1978, 669–673. 232 [325] P. W. Purdom, C. A. Brown: The Analysis of Algorithms. Holt, Rinehart and Winston, New York, 1985. 540 oldal, 141 hivatkozás, ISBN 0-03-072044-3. 230 [326] I. C. Pyle: The Ada Programming Language: a Guide for programmers. 2. kiadás. Prentice-Hall, Englewood Cliffs, 1985. X+341 oldal, ISBN 0-13-003-906-3. Magyarul: Az Ada programozási nyelv (szerkesztette: Zajki László). Műszaki Könyvkiadó, Budapest, 1987. 310 oldal, ISBN 963 107281 9. 238 [327] M. J. Quinn: Designing and Analysing of Parallel Algorithms. Oxford University Press, New York, 1993. 288 oldal, 498 hivatkozás, ISBN 0-07-051071-7. [328] S. Rajasekaran, S. Sen: Random sampling techniques and parallel algorithms design. In: [336], 411–451.

290

Irodalomjegyzék

[329] S. Rajasekaran, T. Tsantilas: Optimal routing algorithms for mesh-connected processor arrays. Algorithmica 8 (1992), 21:28. 233 [330] S. Rajasekaran: Computer programs. University of Florida, Florida, 2003. 231 [331] A. Ralston: Introduction to Programmig and Computer Science. McGraw-Hill, Inc.. Magyarul: Programozás és számítógéptudomány. Műszaki Könyvkiadó, Budapest, 1974. 575 oldal, 95 hivatkozás, ISBN 96310 0616 6. [332] A. Ralston: A First Course in Numerical Analysis. McGraw-Hill. Magyarul: Bevezetés a numerikus analízisbe (lektorálta Kiss Ottó). Műszaki Könyvkiadó, Budapest, 1969. 572 oldal, 282 hivatkozás. 241 [333] A. Ralston, E. D. Reilly, D. Hemmendinger (szerkesztők): Encyclopedia of Computer Science. Negyedik kiadás. Nature Publishing Group, London, 2000. 2034 oldal. ISBN 1-561-59248-X. 227 [334] S. Ranka, S. Sahni: Hypercube Algorithms with Applications to Image Processing and Pattern Recognition. Springer-Verlag, Bilkent University Lecture Series, 1990. 233 [335] Recski András: Matroid Theory and its Applications in Electric Networks and Theory of Statistics. Akadémiai Kiadó, Budapest, 1989. XIII+531 oldal, 422 hivatkozás, 963 05 5253 1. 232 [336] J. H. Reif (szerkesztő): Synthesis of Parallel Algorithms. Morgan Kaufmann, San Mateo, 1992. VI+1011 oldal, ISBN 1 558 601 135 X. 289 [337] J. H. Reif, L. Valiant: A logarithmic time sort for linear size networks. Journal of ACM 34 (1) 1987, 60–76.

Irodalomjegyzék

291

[338] R. Reischuk: Probabilistic parallel algorithms for sorting and selection. SIAM Journal on Computing 14 (2) 1989, 594–607. 232 [339] A. Rényi: Probability Theory. Akadémiai Kiadó/North Holland Publ. House, Budapest/Amsterdam, 1970. 666 oldal, 507 hivatkozás. Magyarul: Valószínűségelmélet. Tankönyvkiadó, Budapest, 1973. 510 oldal, 492 hivatkozás. 230 [340] F. Rolland: The Essence of Databases. Prentice Hall, 1998. Magyarul: Adatbázisrendszerek (lektorálta Kiss Attila). Panem, Budapest, 2000. 236 oldal, 41 hivatkozás, ISBN 963 545 348 5. 240 [341] Rónyai Lajos, Ivanyos Gábor, Szabó Réka: Algoritmusok. Typotex, Budapest, 1999. 349 oldal, ISBN 963 9132 16 0. 227 [342] S. H. Roosta: Parallel Processing and Parallel Algorithms. Springer-Verlag, New York, 2000. 566 oldal, 373 hivatkozás. ISBN 0-387-98716-9. 229, 230, 231 [343] T. Roska, A. Rodríguez-Vázquez (szerkesztők): Towards the Visual Microprocessor: VLSI Design and the Use of Cellular Neural Network Universal Machine. John Wiley & Sons, Chichester, 2001. 400 oldal, ISBN 0471956066. 239 [344] S. J. Russell, P. Norwig: Artificial Intelligence. A Modern Approach. Prentice-Hall International, Englewood Cliffs, 1995. 932 oldal, 1174 hivatkozás, ISBN 0-13-360124-2. Magyarul: Mesterséges intelligencia modern megközelítésben. Panem, Budapest, 2000. 1093 oldal, 1174 + 93 hivatkozás, ISBN 963 545 241 1. 240 [345] Ruzsa Imre: Bevezetés a modern logikába. Osiris, Budapest, 2001. 391 oldal, 98 hivatkozás, ISBN 963 379 978 3. 235

292

Irodalomjegyzék

[346] W. Rytter: Jewels of Stringology. World Scientific Publ. Comp., 2002. X+310 oldal, 152 hivatkozás, ISBN 981 024782 6. [347] L. E. Sadovskii, A. L. Sadovskii: Mathematics and Sports. American Mathematical Society, Providence, 1993. 191 oldal. 232 [348] Salamon Gábor: Algoritmusok animációja. Budapest, BME, 2003. 40 program. 240 [349] J.-R. Sack, J. Urrutia (szerkesztők): Handbook of Computational Geometry. North-Holland, Amsterdam, 2000. X+1027+48 oldal. ISBN 0-444-82537-1. 233 [350] S. Salleh, A. Y. Zomaya: Scheduling in Parallel Computing Systems: Fuzzy and Annealing Techniques. Kluwer, 1999. ISBN 0-79238533-0, [351] A. Salomaa: Theory of Automata. Pergamon Press, Oxford, 1969..

[352] A. Salomaa, G. Rozenberg, W. Brauer (szerkesztők): Public-Key Cryptography. Springer-Verlag, New York, 2001. 271 oldal, ISBN 3540613560. 237 [353] Sántáné Tóth Edit: Tudásalapú technológia, szakértő rendszerek. Második kiadás. Miskolci Egyetem Dunaújvárosi Főiskolai Kar Kiadó Hivatala, Dunaújváros, 2001. 301 oldal, 162 hivatkozás. 241 [354] F. Schipp, W. R. Wade, P. Simon: Walsh Series. An Introduction to Dyadic Harmonic Analysis (with the collaboration of J. Pál). Adam Hilger Ltd., Bristol, 1990. X+560 oldal, 383 hivatkozás, ISBN 963 05 58807. MR 92g:42001 242

Irodalomjegyzék

293

[355] U. Schöning: Algorithmik. Spektrum Akademischer Verlag, Heidelberg, 2001. 384 oldal, 154 hivatkozás, ISBN 3-8274-1092-4. 229 [356] R. Sedgewick, P. Flajolet: Analysis of Algorithms. Addison-Wesley Publ. Company, Reading, 1996. 492 oldal, 240 hivatkozás, ISBN 0201-40009-X. 230 [357] G. A. Selim: The Design and Analysis of Parallel Algorithms. Prentice-Hall, 1989. 400 oldal, ISBN 013 200056 3. 228 [358] C. E. Shannon, J. McCarthy: Automata Studies. Princeton University Press, 1956. 285 [359] Siklósi Bence: Soros és párhuzamos algoritmusok összehasonlítása sportversenyekkel kapcsolatos problémákban. Diplomamunka. ELTE Informatikai Tanszékcsoport, Budapest, 2001. 232 [360] A. Silberschatz, P. Galvin, G. Gagne: Applied Operating Systems Concepts. John Wiley & Sons, New York, 2000. 840 oldal, 327 hivatkozás, ISBN 0-471-36508-4. 238 [361] D. Sima: Computational models. Kézirat, Budapest, 1995. 87 oldal. 229 [362] D. Sima, T. Fountain, P. Kacsuk: Advanced Computer Architectures: a Design Space Approach. Addison-Wesley, Harlow, 1997 és 1998. 766 oldal, 152 hivatkozás, ISBN 0-201-42291-3. Magyarul: Korszerű számítógéparchitektúrák tervezésitér-megközelítésben. Szak Kiadó, Bicske, 1998. 809 oldal, 540 hivatkozás, ISBN 963-9131-09-1. 229 [363] Simon Péter: Ismerkedés a numerikus analízissel (lektorálta Schipp Ferenc és Száva Géza). ELTE TTK Továbbképzési Csoport, Budapest, 1990. 232 oldal, 11 hivatkozás, ISBN 963 462 5614. 241

294

Irodalomjegyzék

[364] Sipos Annamária: A Visual C++ és az MFC. Budapest, 2000. 433 oldal, 27 hivatkozás, ISBN 963 640 979 X. 238 [365] M. Sipser: Introduction to the Theory of Computation. PWS Publishing Company, 1997. IX+396 oldal, 71 hivatkozás, ISBN 053494728X. 237 [366] S. S. Skiena: The Algorithm Design Manual. Springer-Verlag, New York, 1998. 486 oldal, 845 hivatkozás, ISBN 0-387-94860-0. 228 [367] W.

Schreiner:

Osztott algoritmusok.

Elektronikus

feladat-

gyűjtemény, Linz, 2003. 231 [368] J. Sommerville: Software Engineering. Addison-Wesley, Boston, 1998, 742 oldal, 343 hivatkozás, ISBN 0201-42765-6. Magyarul: Szoftverrendszerek fejlesztése (szerkesztette: Juhász István, lektorálta Kormos János). Panem, Budapest, 2001. 752 oldal, 343 hivatkozás, ISBN 963 54531 1 6. 241 [369] M. J. Sottile, T. G. Mattson, C. E. Rasmussen: Introduction to Concurrency in Programming Languages. CRC Press, London, 2010. XII+330 oldal. ISBN 978-1-4200-7213-0. [370] J. Spencer: Ten Lectures on the Probabilistic Method. Regional Conference Series on Applied Mathematics (No. 52). SIAM, Philadelphia, 1987. 78 oldal. 230 [371] R. P. Stanley: Enumerative Combinatorics. Volume 1. Cambridge University Press, Cambridge, 1999. 326 oldal, 39 hivatkozás, ISBN 0 521 66351 2. 236 [372] R. P. Stanley: Enumerative Combinatorics. Volume 2. Cambridge University Press, Cambridge, 1999. 585 oldal, 22 hivatkozás, ISBN 0 521 78987 7. 236

Irodalomjegyzék

295

[373] Stoyan Gisbert: Matlab. 4. és 5. verzió. Typotex, Budapest, 1999. 308 oldal, 26 hivatkozás, ISBN 963-9132-33-0. 236 [374] Stoyan Gisbert, Takó Galina: Numerikus módszerek. 1. kötet. Typotex, Budapest, 1993. 440 oldal, 110 hivatkozás, ISBN 963 9326 20 8. 241 [375] Stoyan Gisbert, Takó Galina: Numerikus módszerek. 2. kötet. Typotex, Budapest, 1995. 320 oldal, 142 hivatkozás, ISBN 963 7546 53 7. 241 [376] Stoyan Gisbert, Takó Galina: Numerikus módszerek. 3. kötet. Typotex, Budapest, 1997. 486 oldal, 244 hivatkozás, ISBN 963 7546 77 4 . 241 [377] B. Stroustrup: The C++ Programming Language. The C++ Programming Language (Special Edition). Addison-Wesley. Reading, 2000. 1029 oldal, 43 hivatkozás, ISBN 0-201-70073-5. Magyarul: A C++ programozási nyelv (lektor: Porkoláb Zoltán. Kiskapu Kiadó, Budapest, 2001. XXII+1305+21 oldal, 43 hivatkozás, ISBN 963 9301 17 5 ö. 229, 238 [378] Szalkai István, Dósa György: Algoritmikus számelmélet – Titkosírás. Elektronikus jegyzet. Pamnnon Egyetem, Veszprém, 2011 (megjelenőben). [379] Szántai Tamás: Új utak a magyar operációkutatásban. Dialóg Campus Kiadó, Budapest, 1995. 396 oldal, ISBN 963 9123 919.

[380] Szántai Tamás: Az operációkutatás matematikai módszerei. BME, Budapest, 2001. 41 oldal. 242

296

Irodalomjegyzék

[381] Szeberényi Imre: Parallel programozás áttekintése. Elektronikus kézirat, BME, Budapest, 2003. 241 [382] Szidarovszky Ferenc: Bevezetés a numerikus módszerekbe. Közgazdasági és Jogi Kiadó, Budapest, 1974. 389 oldal, 36 hivatkozás, ISBN 963 220 029 2. 241 [383] F. Szidarovszky, A. T. Bahill: Linear Systems Theory. CRC Press, Boca Raton, 1992 és 1997. 508 oldal, 442 hivatkozás, ISBN 0-84931687-1. 241 [384] F. Szidarovszky, S. Yakowitz: Introduction to Numerical Computations. Macmillan, New York, 1986 és 1989. XVI+462 oldal, ISBN 00243-08218. 241 [385] Szili László, Tóth János: Matematika és Mathematica. ELTE Eötvös Kiadó, Budapest, 1996. 396 oldal, 90 hivatkozás, ISBN 963 463 004 9. 236 [386] Szirmay-Kalos László: Számítógépes grafika. Computerbooks, Budapest, 1999. 334 oldal, 127 hivatkozás, ISBN 963 618 208 6. 240 [387] Szlávi Péter, Zsakó László: Módszeres programozás. Műszaki Könyvkiadó, Budapest, 1986. 116 oldal, 12 hivatkozás, ISBN 963 10 6820 X 238 [388] A. S. Tanenbaum: Computer Networks. Pearson Education, 2002. 912 oldal, ISBN 0130661023. Magyarul: Számítógép-hálózatok. Panem, Budapest, 2001, 888 oldAL, ISBN 9635452136. 239 [389] A. S. Tanenbaum: Structured Computer Organization. Prentice Hall International, Upper Sadle River, 1999. XVII+670 oldal, 147 hivatkozás, ISBN 0-13-020435-8. Magyarul: Számítógépek felépítése

Irodalomjegyzék

297

(szerkesztette Csirik János). Panem, 1999, 669 oldal, 147 hivatkozás, ISBN 963 545 2829. 238 [390] A. S. Tanenbaum: Modern Operating Systems. Második kiadás. Pearson Publisher, 2001. 976 oldal, ISBN 0130313580. [391] A. S. Tanenbaum, A. S. Woodhull: Operating Systems. Design and Implementation. Prentice Hall, Upper Saddle River, 1997. 939 oldal, 89 hivatkozás, ISBN 0-13-638677-6. Magyarul: Operációs rendszerek (szerkesztette Csirik János), lektorálta Iványi Antal. Panem, Budapest, 1999. 980 oldal, 89 hivatkozás, ISBN 963 545 189 X. 238 [392] A. S. Tanenbaum, M. van Steen: Distributed Systems. Principles and Paradigmas. Prentice Hall, Upple Saddle River, 2002. XXIII+813 oldal, 504 hivatkozás, ISBN 0-13-088893-1. 233, 239 [393] G. Tel: Introduction to Distributed Algorithms. Cambridge University Press, Cambridge, 2001, 596 oldal, 228 hivatkozás, ISBN 0 521 79483 8. 229, 233, 234 [394] I. Tomescu: Kombinatorika és alkalmazásai. Műszaki Könyvkiadó, Budapest, 1978. 270 oldal. ETO 519.1, ISBN 963.10.1840.7. [395] B. A. Trahtenbrot: Algoritmusok és absztrakt automaták. Műszaki Könyvkiadó, Budapest, 1978. 207 oldal, 16 hivatkozás, ISBN 963 10 1755. 227, 238 [396] Turcsányiné Szabó Márta: A LOGO programozási nyelv. Műszaki Könyvkiadó, Budapest, 1986. 317 oldal, 5 hivatkozás, ISBN 963106-841-2.

298

Irodalomjegyzék

[397] J. D. Ullman, J. Widom: A First Course in Database Systems. Prentice Hall Inc., Upper Saddle River, 1997. Magyarul: Adatbázisrendszerek. Alapvetés (szerkesztette Benczúr András). Panem, Budapest, 1998. 507 oldal, 38 hivatkozás, ISBN 963 545 190 3. 240 [398] G. Valiente: Algorithms on Trees and Graphs. Springer-Verlag, New York, 2002. 450 oldal, ISBN 354 043550 6. 228 [399] J. Van Leeuwen (szerkesztő): Handbook of Theoretical Computer Science A: Algorithms and Complexity. Második kiadás. 2 kötet (A és B). Elsevier, 1990. The MIT Press, Amsterdam. ISBN 0 26 222 0407. 227 [400] Varga

László:

Rendszerprogramok

elmélete

és

gyakorlata.

Akadémiai Kiadó, Budapest, 1980. 566 oldal, 198 hivatkozás, ISBN 963 05 2296 9. 238 [401] varga László: Programok analízise és szintézise. Akadémiai Kiadó, Budapest, 1981. 304 oldal, 141 hivatkozás, ISBN 963 052682 4. 238 [402] Varga László, Sike Sándor: Szoftvertechnológia és UML. ELTE Eötvös Kiadó, Budapest, 2002. 302 oldal, 10 hivatkozás, ISBN 963 463 477 X. 241 [403] U. Vazirani: Approximation Algorithms. Springer-Verlag, Berlin, 2001. 378 oldal, 263 hivatkozás, ISBN 3-540-65367-8. 237 [404] Vida János honlapja: innen letölthető G. E. Farin könyve [88]. 240 [405] N. Vilenkin: Combinatorial Mathematics for Recreation. Mir Publisher, Moscow, 1972. 207 oldal. 235 [406] Vizvári Béla: Egészértékű programozás. Tankönyvkiadó, Budapest, 1990. 242

Irodalomjegyzék

299

[407] Vizvári Béla: Bevezetés a termelésirányítás matematikai módszereibe. ELTE TTK, Budapest, 1994. 262 oldal, 143 hivatkozás. 239 [408] J. Vogel, K. Wagner: Komplexität, Graphen und Automaten. Friedrich Schiller Universität, Jena, 1999. X+156 oldal, 10 cikk. 237 [409] K. Wagner, G. Wechsung: Computational Complexity. D. Reidel Publ. Company, 1986. ISBN 9027721467. 237 [410] M. A. Weiss: Data Structures and Algorithm Analysis in C++. Addison-Wesley, Menlo Park, The Benjamin/Cummings Publ. 1994. 498 oldal, 113 hivatkozás, ISBN 0-8053-5443-3. 242 [411] M. A. Weiss: Data Structures and Algorithm Analysis. The Benjamin/Cummings Publ. Company, Redwood, 1995. 507 oldal, 408 hivatkozás, ISBN 0-8053-9057-X. [412] F. Weisz: Martingale Hardy Spaces and Their Applications in Fourier Analysis. (Lecture Notes in Mathematics 1568). SpringerVerlag, 1994. 217 oldal, ISBN 038-757-623-1. 242 [413] F. Weisz: Summability of Multi-Dimensional Fourier Series and Hardy Spaces (Mathematics and Its Applications 541). Kluwer Academic Publishers, Dordrecht, 2002. 352 oldal, ISBN 140-200-564-4. 242 [414] H. Wilf: Generatingfunctionology. Academic Press, 1990. 224 oldal, 42 hivatkozás. 230 [415] H. Wilf: Algorithms and Complexity. Második kiadás (az első letölthető a szerző honlapjáról). A. K. Peters, Natick, 2002. 200 oldal, ISBN 1568811780. 228

300

Irodalomjegyzék

[416] F. Winkler: Polynomial Algorithms in Computer Algebra. Texts and Monographs in Symbolic Computation. Springer-Verlag, Berlin, 1996, 270 oldal, ISBN 3-211-82759-5. 236

[417] J. Winkler: Animations. Friedrich Schiller Universität, Jena, 2003. 231, 240

[418] N. Wirth: Algorithms + Data Structures = Programs. Prentice Hall, Englewood Cliffs, 1976. Magyarul: Algoritmusok + Adatstruktúrák = Programok (Fordította: Lehel Jenő). Műszaki Könyvkiadó, Budapest, 1988. 345 oldal, 45 hivatkozás, ISBN 963 103858 0. 227

[419] XTANGO: general purpose algorithm animation system (szerkeszti John Stasko). Georgia Tech, 2003. 228, 240

[420] A. Y. Zomaya: Parallel Computing. International Thomson Publishing, Cambridge, 1995. 676 oldal, ISBN 1850321884. 231

[421] A. Y. Zomaya: Parallel and Distributed Computing Handbook. McGraw-Hill, 1995. 1232 oldal, ISBN 0070730202. 231

[422] Zsakó László (szerkesztő): Programozási feladatok. I. Kossuth Kiadó, Budapest, 1997. 306 oldal, ISBN 963-09-3976-2. 238

[423] Zsakó László (szerkesztő): Programozási feladatok. II. Kossuth Kiadó, Budapest, 1997. 275 oldal, ISBN 963-09-3977-0. 238

Irodalomjegyzék

301

Az irodalomjegyzékben az aláhúzás azt jelenti, hogy a DVI és PDF elektronikus változatban a megfelelő szövegrész él (az aláhúzott részre kattintva az olvasó eljut a megfelelő honlapra). A hivatkozások végén lévő számok a szöveg azon részeit jelzik, amelyekben az adott műre hivatkozás történt. A könyveknél megadjuk az egyedi azonosításra alkalmas ISBN (International Standard Book Number) számot [34]. A sorozatokhoz tartozó kiadványoknál (ilyenek a folyóiratok is) az egyedi azonosításra alkalmas, ISSN a (International Standard Serial Number) nemzetközi szabványnak megfelelő azonosító számot az L.1. táblázatban adjuk meg. A Computing Reviews, Compuscience, Mathematical Reviews vagy Zentralblatt für Mathematik által referált cikkeknél megadtuk a referátum azonosító adatait.


Lelőhelyjegyzék

Folyóiratok a hazai könyvtárakban Ebben a részben összefoglaljuk a legfontosabb informatikai folyóiratok nyomtatott és elektronikus változatainak adatait. A több részből álló első táblázatban – teljes nevük ábécé szerinti sorrendjében – felsoroljuk a legfontosabb informatikai folyóiratok nevét és ISSN azonosítóját. Ennek a listának az alapja a Fachinformationszentrum (Karlsruhe) által karbantartott Compuscience informatikai adatbázis. A listából kihagytuk a magyar olvasó számára nehezen elérhető folyóiratokat. Ugyanakkor a listát kiegészítettük az összes hazai és az olyan külföldi matematikai folyóiratokkal, amelyek gyakran szerepelnek az általunk idézett szerzők műveiben. A folyóirat neve előtt lévő ++ jel azt mutatja, hogy a folyóirat nem szerepel a Compuscience listájában.

Lelőhelyjegyzék

303

L.1.a táblázat. Folyóiratok nevei és ISSN számai

Sorszám és cím

ISSN

001 ACM Computing Surveys

0360-0300

002 ACM Educational Reseurces in Computing

1531-4278

++ ACM SIGACT News

0163-5700

++ ACM Sigplan Notices

0362-1340

009 ACM Transactions on Computer Systems

0734-2071

011 ACM Transactions on Database Systems

0362-5915

013 ACM Transactions on Database Systems

0362-5915

014 ACM Transactions on Embedded Computing Systems

1539-9087

018 ACM Transactions on Mathematical Software

0098-3500

021 ACM Transactions on Programming Lang.

0164-0925

023 ACM Transactions on Software Engineering Meth.

1049-331X

++ Acta Academiae Paedagogicae Agriensis. Matematicae

1216-6014

027 Acta Cybernetica

0324-721X

028 Acta Informatica

0001-5903

++ Acta Mathematica Academiae Nyíregyháziensis

0866-0182

++ Acta Mathematica Hungarica

0236-5295

++ Acta Scinetiarum Mathematicarum

0001-6969

029 Acta Universitatis Sapientiae, Informatica

1844-6085

++ Acta Universitatis Sapientiae, Mathematica

1844-6094

037 AI magazine

0738-4602

038 Algorithmica

0178-4617

++ Alkalmazott Matematikai Lapok

0133-3399

++ The American Mathematical Monthly

0002-9890

++ Analysis Mathematica

0133-3852

304

Lelőhelyjegyzék L.1.b. táblázat. Folyóiratok nevei és ISSN számai

++ Annales Universitatis Eötvös, Computatorica

0138-9491

++ Annales Universitatis Eötvös, Mathematica

0524-9007

++ Applied and Computational Harmonic Analysis

1063-5203

++ Applied Mathematics and Computation

0096-3003

++ Applied Numerical Mathematics

0168-9274

++ Ars Combinatoria

0381-7032

047 Artificial Intelligence

0004-3702

0++ Australasian Journal of Combinatorics

1034-4942

053 Automated Software Engineering

0928-8910

++ Avtomatika i Telemehanika

0005-2310

++ BIT. Numerical Mathematics

0006-3835

++ C/C++ User’s Journal

1075-2828

++ Calculateurs Parallélels

1260-3198

059 Chicago Journal of Theoretical Computer Science

1073-0486

060 Cluster Computing (print)

1386-7857

060 Cluster Computing (online)

1573-7543

062 Combinatorica

0209-9683

064 Communications of the ACM

0001-0782

066 Complexity

1076-2787

067 Computational Complexity

1016-3328

071 Computer Animation and Virtual Word

1546-427X

075 Computer Graphics Forum (online)

1467-8659

075 Computer Graphics Forum (print)

0167-7055

076 Computer Languages

0096-0551

078 Computer Networks and ISDN Systems

0169-7552

Lelőhelyjegyzék

305

L.1.c. táblázat. Folyóiratok nevei és ISSN számai ++ Computers and Education

0360-1315

++ Computers and Operation Research

0305-0548

++ Computing. Archiv Inf. Numerik

0010-485X

++ Computing Reviews

0010-4884

++ Congressus Numerantium

0384-9684

091 Cryptologia (online)

1558-1586

091 Cryptologia (print)

0161-1194

++ Current Mathematical Publications

0361-4794

++ CWI Quarterly

0922-5366

093 Data and Knowledge Engineering

0169-023X

++ Discrete Applied Mathematics

0166-218X

++ Discrete Mathematics

0012-365X

100 Distributed Computing

0178-2770

++ Dr. Dobb’s Journal

1044-789X

++ European Journal of Combinatorics

0195-6698

++ European Journal of Operation Research

0377-2217

118 Formal Aspects of Computing

0934-5043

126 Fundamenta Informaticae 127 Genetic Programming und Evolvable Machines 128 Geoinformatica (online)

1573-7624

128 Geoinformatica (print)

1384-6175

129 Graphical Models

1524-0703

229 Future Generation Computer Systems

0167-739X

++ Foundations of Computing and Decision Systems

0324-8747

++ Fuzzy Sets and Systems

0165-0114

306

Lelőhelyjegyzék L.1.d. táblázat. Folyóiratok nevei és ISSN számai

++ Graphical Models

1524-0703

++ Higher-Order and Symbolic Computation

1388-3690

133 IBM Journal of Research and Development

0018-8646

134 IBM Systems Journal

0018-8670

153 IEEE Transactions on Communications

0090-6778

155 IEEE Transactions on Computers

0018-9340

161 IEEE Transactions on Information Theory

0018-9448

165 IEEE Transactions on Parallel and Distr. Syst.

1045-9219

++ IEEE Transactions on Signal Processing

1053-587X

168 IEEE Transactions on Software Engineering

0098-5589

170 IEEE Transactions on Visualization Comp. G.

1077-2626

++ IMA Journal on Numerical Analysis

0272-4979

175 Informatica (Ljubljana, online)

1854-3871

175 Informatica (Ljubljana, print)

0350-5596

175 Informatica (Vilnius)

0868-4952

176 Informatik Spektrum (online)

1432-122X

176 Informatik Spektrum (print)

0170-6012

179 Information and Computation

0890-5401

++ Information and Control

0019-9958

181 Information Processing Letters

0020-0190

198 International Journal on Digital Libraries (online)

1432-1300

198 International Journal on Digital Libraries (print)

1432-5012

++ Java Developer’s Jounal

1087-6944

289 Journal of Algorithms

0196-6774

291 Journal of Automata, Languages and Combinatorics

1430-189X

Lelőhelyjegyzék

307

L.1.e. táblázat. Folyóiratok nevei és ISSN számai

292 Journal of Automated Reasoning

0168-7433

291 Journal of Automata, Languages and Combinatorics

1430-189X

295 Journal of Complexity

0885-064X

++ Journal of Combinatorial Theory, Series A

0097-3165

++ Journal of Combinatorial Theory, Series B

0097-3165

++ Journal of Computational and Appl. Math.

0377-0427

++ Journal of Computer and Systems Sci.

0022-0000

++ Journal of Discrete Algorithms

1570-8667

305 Journal of Functional Programming

0956-7968

++ Journal of Geographical Systems (online)

1435-5949

++ Journal of Geographical Systems (print)

1435-5930

308 Journal of Grid Computing (online)

1572-9184

308 Journal of Grid Computing (print)

1570-7873

++ Journal of Graph Algorithms and Applications

1526-1719

++ Journal of Graph Theory

0364-9024

309 Journal of Heuristics (online)

1572-9397

309 Journal of Heuristics (print)

1381-1231

310 Journal of High Speed Networks

0926-6801

++ Journal of Integer Sequences

1530-7638

++ Journal of Logic, Language and Information

0925-8531

+++ Journal of Logic Programming

0743-1066

321 Journal of Parallel and Distributed Computing

0743-7316

321 Journal of Scheduling

SSN: 1094-6136 (pr

++ Journal of Systems and Software

0164-1212

327 Journal of Scheduling (online)

1099-1425

308

Lelőhelyjegyzék L.1.f. táblázat. Folyóiratok nevei és ISSN számai

327 Journal of Scheduling (print)

1094-6136

329 Journal of Supercomputing (online)

electronic version

332 Journal of Supercomputing (print)

0920-8542

332 Journal of Symbolic Computation

0747-7171

333 Journal of the ACM

0004-5411

++ Középiskolai Matematikai Lapok ++ Lecture Notes in Computer Science

0302-9743

417 Management Sciences

0025-1909

++ Matematikai Lapok ++ Mathematica Pannonica

0865-2090

++ Mathematical Methods in Applied Sciences

0170-4214

430 Mathematics of Computation

0025-5718

454 Neural Networks

0893-6080

++ Nieuw Arakief voor Wiskunde

0028-9825

464 Numerische Mathematik

0029-599X

++ L’Objet

1262-1137

++ Operating Systems Review

0163-5980

468 Operations Research

0030-364X

++ Operation Research Letters

0167-6377

472 Parallel Computing

0167-8091

479 Performance Evaluation

0166-5316

480 Periodica Mathematica Hungarica

0031-5303

490 Proceedings of IEEE

0018-9219

495 Programmirovanie

032-3474

++ Publicationes Mathematicae

0033-3883

Lelőhelyjegyzék

309

L.1.g. táblázat. Folyóiratok nevei és ISSN számai Sorszám és cím

ISSN

++ Pure Mathematics and Applications

1218-4586

++ Quarterly of Applied Mathematics

0033-569X

499 RAIRO. Informatique Theoretique et Applications

0988-3754

502 Random Structures and Algorithms

1042-9832

515 Science of Computer Programming

0167-6423

532 Simulation

0037-5497

517 SIAM Journal on Applied Mathematics

0036-1399

518 SIAM Journal on Computing

0097-5397

519 SIAM Journal on Control and Optimization

0363-0129

520 SIAM Journal on Discrete Mathematics

0895-4801

523 SIAM Journal on Numerical Analysis

0036-1429

524 SIAM Journal on Optimization

1052-6234

526 SIAM Journal on Scientific Computing

1064-8275

520 SIAM Journal on Discrete Mathematics

0895-4801

523 SIAM Journal on Numerical Analysis

0036-1429

524 SIAM Journal on Optimization

1052-6234

526 SIAM Journal on Scientific Computing

1064-8275

527 SIAM Review

0036-1445

++ Sysadmin and Perl Journal

1061-2688

540 Software Practice and Experience

0038-0644

++ Studia Scientiarum Mathematicarum

0081-6906

++ Studia Universitatis Babes-Bolyai, Informatica

1224-869x

A második táblázatban megadjuk a folyóiratok nyomtatott és elektronikus változatainak a 6 legnagyobb hazai informatikai könyvtárban (BME, Debreceni Egyetem, ELTE, Rényi Alfréd Intézet, Szegedi Egyetem,

310

Lelőhelyjegyzék L.1.h. táblázat. Folyóiratok nevei és ISSN számai

425 The Computer Journal

0010-4620

++ The Electronic Journal of Combinatorics

1077-8926

++ The Electronic Journal Qualitative Th. Diff. Eq.

1417-3875

++ The Journal of Fourier Analysis and Applications

1069-5869

561 Theoretical Computer Science

0304-3975

573 VLDB Journal

1066-8888

++ Zentralblatt für Mathematik

1436-3356

SZTAKI) való elérhetőségét (az adatok a 2004-es évre vonatkoznak). A nyomtatott változatok adatai a Nemzeti Periódika Adatbázis (NPA) honlapjáról és az NPA által évente kiadott CD-ről származnak. Az elektronikus változatok adataihoz felhasználtuk az említett könyvtárak honlapját. A folyóiratok nevét az NPA szerint rövidítettük. A nemzetközi rövidítések listája letölthető a referáló folyóiratok honlapjáról. A táblázatban N a nyomtatott, E az elektronikus változat, K az elektronikus kivonat, T az elektronikus tartalomjegyzék elérhetőségét jelzi (a K jelet használtuk akkor, ha a folyóirat honlapjáról letölthető a cikkek kivonata, és/vagy ha legalább az egyik referáló adatbázis .

Lelőhelyjegyzék

311

L.2.a. táblázat. Informatikai folyóiratok a magyar könyvtárakban

Sorszám és cím

BM

DE

EL

RA

SE

SZ

002 ACM Surveys

E

E

NE

-

NE

NE

004 ACM SIGACT News

E

E

E

E

E

027 ACM Sigplan Notices

E

E

E

E

E

034 ACM Trans. Comput. Syst.

NE

E

NE

E

E

E

035 ACM Trans. Database Syst.

NE

E

NE

E

E

E

036 ACM Trans. Graph.

E

E

E

E

E

039 ACM Trans. Math. Softw.

E

E

E

E

E

NE

E

NE

NE

043 Acta Cybernetica

K

K

NK

K

NK

NK

044 Acta Inf.

E

E

NE

E

E

NE

++ ActaNyíregyháziensis

E

E

E

E

E

E

N

N

E

E

NE

E

E

NE

NK

NK

NK

NK

NK

NK

058 The American Math. Monthly

E

E

NE

E

E

E

++ Analysis Mathematica

T

T

NT

T

T

NT

NT

NT

NT

NT

N

N

N

N

041 ACM Trans. Program. Lang.

++ Acta Mathematica Sci. 055 Algorithmica 056 Alkalmazott Matematikai Lapok

++ Ann. Univ. Eötvös, Comput. ++ Ann. Univ. Eötvös, Math.

NE NE

N

NT

312

Lelőhelyjegyzék

L.2.b. táblázat. Informatikai folyóiratok a magyar könyvtárakban

Sorszám és cim ++ Applied Comp. Harmonic An.

BM

DE

EL

RA

SE

SZ

E

E

NE

E

E

E

070 Applied Math. Comput.

N

073 Applied Numerical Math. 075 Ars Combinatoria

K

K

K

K

N

076 Artif. Intell.

E

E

NE

E

E

081 Australasien Journal Comb.

K

K

K

K

K

++ Automated Software Eng.

N

++ Avtomatika i Telemehanika

N

093 BIT. Numerical Mathematics

NE

NE

++ C/C ++ User’s Journal

N

++ Calculateurs Paralléls

N

114 Combinatorica

NE

NE

NE

NE

NE

NE

116 Communications of ACM

NE

E

NE

NE

E

NE

120 Complexity

E

E

E

E

E

++ Computational Complexity

E

E

E

E

E

137 The Computer Journal

NE

NE NE

138 Computer Languages 141 Computer Networks ISDN Syst.

E

E

EN

E

E

E

Lelőhelyjegyzék

313

L.2.c. táblázat. Informatikai folyóiratok a magyar könyvtárakban

Sorszám és cim

BM

DE

++ Computers and Education

EL

RA

SE

SZ E

N

168 Computers and Op. Research

E

E

NE

E

E

173 Computing. Archiv für Inf.

E

E

N

E

E

++ Computing Reviews

E

E

NE

NE

E

178 Congressus Numerantium

N

++ Current Mathematical Publ. ++ CWI Quarterly

N E

E

189 Data Knowledge Engineering

EN

E

E

N

199 Discrete Applied Mathematics

E

E

NE

NE

E

E

201 Discrete Mathematics

E

E

NE

NE

E

E

204 Distributed Computing

NE

E

NE

E

E

206 Dr. Dobb’s Journal

E

E

NE

E

E

E

++ Electronic Journal of Comb.

E

E

E

E

E

E

++ Electronic Num. Anal.

E

E

E

E

E

E

221 European Journal of Comb.

E

E

E

E

E

E

222 European Journal Op. Research

E

E

NE

E

E

E

226 Formal

E

E

NE

E

E

E

++ Foundations of Computing Dec.

N

314

Lelőhelyjegyzék

L.2.d. táblázat. Informatikai folyóiratok a magyar könyvtárakban

Cim

BM

DE

EL

RA

++ Fundamenta Mathematicae

T

N

229 Future Generation Comp. Syst.

T

N

SE

230 Fuzzy Sets and Systems

E

E

E

E

E

232 Graphical Models

E

E

NE

E

E

++ Higher-Order and Symb. Comp.

E

E

NE

E

E

237 IBM Journal of Research Dev.

E

E

NE

E

E

238 IBM Systems Journal

E

E

NE

E

E

249 IEEE Transactions Comm.

NK

SZ

NE

249 IEEE Trans. Comput.

NE

NK

NK

K

K

K

250 IEEE Transactions Inf. Th.

NK

K

NK

K

K

NK

259 IEEE Transactions on Software

EN

EN

++ IEEE Transactions Visualization

E

E

NE

E

E

263 IMA Journal Num. Analysis

E

E

NE

E

E

272 Information and Computation

KN

273 Information and Control

TK

N

NE EN

279 Information Processing Letters

E

E

NE

E

NE

NE

++ Java Developer’s Journal

E

E

E

E

E

E

327 Journal of Algorithms

KN

E

Lelőhelyjegyzék

315

L.2.d. táblázat. Informatikai folyóiratok a magyar könyvtárakban Cim

BM

DE

EL

RA

SE

SZ

334 Journal of Comb. Theory, A

TK

TK

NK

TK

TK

TK

335 Journal of Comb. Theory, B

TK

TK

NK

TK

TK

TK

??? Journal of Computer Syst.

EN

EN

??? J. Grid

EN

EN

??? Journal of Graph Alg.

E

E

E

E

E

E

++ Journal of Grid Computing

T

T

T

T

T

T

??? Journal of Integer Sequences

E

E

E

E

E

E

E

NE

E

EN

395 Journal of ACM ??? Lecture Notes in CS

E

329. Math. Syst.

N

++ Nieuw Arakief

N

330. Nordic J. Com.

IT

E E

E

331. Proc. IEEE

NK

K

NK

K

K

NK

334. Publ. Math.

NT

NT

NT

NT

NT

NT

N

E

NE

E

EN

EN

332. Q. Appl. Math. 333. SIAM J. Comp. 334. SIAM Discret.

N NE K

KN

316

Lelőhelyjegyzék

L.2.e. táblázat. Informatikai folyóiratok a magyar könyvtárakban Cim

BM

DE

EL

RA

SE

SZ

335. SIAM Rev.

NE

K

NE

K

K

NE

335. Theor. Comput.

E

E

EN

E

E

E

350. Zentralbl. Did. der Math.

E

E

E

E

E

E

Végül az elektronikus adatbázisok, elektronikus könyvtárak, és a konferenciakötetek adatait foglaljuk össze. Digitális adatbázisok • Citeseer • Computing Reviews • Compuscience • EFTAN: Egyetemi és Főiskolai Tankönyvek adatbázisa • ELTE: a Horizon rendszeren keresztül hozzáférés az ELTE, SOTE és a ME könyvtárainak katalógusaihoz

• Kiskapu Kiadó és Könyvesbolt: könyvesboltoknak a magyar nyelvű informatikai szakirodalom teljes választékát kínáló hálózata (rendszeresen közread magyar nyelvű katalógusokat) • Mathematical Reviews • Minerva: a Minerva folyóiratokkal kereskedő cég adatbázisa • NPA: Nemzeti Periodika Adatbázis (az Országos Széchenyi Könyvtár

által karbantartott adatbázis a hazai könyvtárakban lévő külföldi és hazai folyóiratokról; 2000-ben abbamaradt az adatok frissítése – viszont az OSZK által évente kiadott NPA-CD friss adatokat tartalamaz)

Lelőhelyjegyzék

317

• Software Station: • SWETS: a legnagyobb folyóiratkereskedő cég adatbázisa kb. 16000

folyóirat tartalomjegyzékét tartalmazza, emellett a cégen keresztül megrendelt folyóiratok jelentős részének teljes szövegéhez is hozzáférést biztosít

• DLBP Trier • Universitas: a legjelentősebb magyar cég, amelyen keresztül külföldi

kiadású könyvek megrendelhetők. Honlapján sok könyv adatai (például az ára) megtalálhatók.

• Zentralblatt für Mathematik Digitális könyvtárak • Academic Press • ACM Digital Library • BME-OMIKK: • EISZ: Elektronikus Információ Szolgálat (ingyenes hozzáférésminden

egyetemi hallgató és oktató számára az Elsevier folyóiratainak teljes tartalmához)

• Elsevier • ELTE • EMIS • IEEE • EMIS: European Mathematical Information Service (ingyenes hozzáférés bárki számára 35 matematikai folyóirat teljes tartalmához)

• Kluwer • MEK (Magyar Elektronikus Könyvtár)

318

Lelőhelyjegyzék

• SIAM • Springer Verlag • Typotex Konferenciák anyagai L.5. táblázat. Informatikai konferenciák anyagai Cim

BME

DE

ELTE

RAI

SzTE

SZTAKI

1 ACM Dist.

-

E

E

-

E

E

2 ACM Theory

-

E

E

-

E

E

3 ECOOP

-

E

E

-

E

E

4 ESA

-

E

E

-

E

E

5 FCT

-

E

E

-

E

E

6 MFCS

-

E

E

-

E

E

7 STACS

-

E

E

-

E

E

Ebben a táblázatban a Proceedings of Annual ACM Symposium on Principles of Distributed Computing, a Proceedings of Annual ACM Symposium on Theory of Computation, a European Conference on ObjectOriented programming, az European Sympozium on Algorithms, a Foundation of Computing Theory, a Mathematical Foundations of Computer Science és az Annual Symposium on Theoretical Aspects of Computer Science nevű konferenciák adatai szerepelnek.


Tárgymutató

Ez a tárgymutató a következő szempontok szerint készült. Először a matematikai jelöléseket soroljuk fel (latin ábécé, majd a görög ábécé szerinti sorrendben), azután a tárgyszavakat. A számokat és görög betűket tartalmazó tárgyszavakat kiejtésük szerint rendezzük: például az „1-értékű”-t „egyértékékű”-ként, a „λ”-t„lambda”-ként. A jelölést tartalmazó tárgyszavakat elemeik szerint rendezzük: például a „k-megegyezés”-t „k megegyezés”-ként. A különböző típusú objektumokat lehetőség szerint tipográfiailag is megkülönböztettük. A matematikai jelöléseket és

320

Tárgymutató

a programokban használt változók neveit dőlt betűk emelik ki, mint például Ω(n lg n) vagy rang[lépés]. Az algoritmusok neveit kis kapitális betűkkel írtuk, mint például Kiválaszt. Az algoritmusok kódjában a programozási alapszavakat félkövéren szedtük, mint például if, then, for, in parallel for. Az algoritmusok nevében kiskötőjelet, a változók nevében pedig alsó kötőjelet használunk, mint például Párhuzamosan-olvas és bal_szomsz. Az egyes fogalmak meghatározásának helyére a tárgymutató dőlt oldalszámmal utal. Elsősorban az algoritmusokat tárgyaló tankönyv matematikai jelöléseit alkalmaztuk. Az oldalszámok felsorolásánál nem törekedtünk teljességre.

A abszolút nagy ordó, 244 abszolút optimális algoritmus, 26 absztrakt számítógép, 15, see számítási modell

ACM, 270 adatátviteli vobnalak száma, 44 adatfeldolgozás párhuzamos, 14 soros, 14

Tárgymutató adatkígyó, 152 adatkígyók rendezése, 153 adat koncentráció, 184 adatkoncentráció, 138, 142 hiperkockán, 184 algoritmus abszolút optimális, 26 aszimptotikusan optimális, 25 Las Vegas, 49 mohó, 135 Monte Carlo, 49 munkahatékony, 24 munkaoptimális, 25 neurális hálókban, 239 párhuzamos, 18 rekurzív, 45 soros, 18 stabil, 57 tervezése, 14 algoritmusok párhuzamos, 227 soros, 227 állapot nem_ vezető, 205 vezető, 205 általános csomagirányítási feladat, 133 Amdahl törvénye, 36 animáció, 240 anomália, 61, 71 anomália mértéke, 61 architektúra, 15 asszociatív művelet, 73 asszociatív operátor, 73 aszimptotikusan azonos nagyságrend, 26 aszimptotikusan optimális algoritmus, 25 aszinkron processzorok, 15 átfedő csomagok, 182 Áthelyez, 47 átlagos csúcstávolság, 44 átlagos fokszám, 44 átlagos futási idő, 22 átmérő, 138, 184 azonosító processzoré, 206

B beágyazás, 173 fáé, 177

321 gyűrűé, 173 tóruszé, 175 beágyazás késleltetése, 173 beágyazás torlódása, 173 beemelés, 84 befejeződési feltétel, 218 bejárási algoritmus, 201 Bellman–Ford-algoritmus, 124 Bernoulli-kísérlet, 51, 87 bináris asszociatív operátor, 73 bináris fa, 166 bináris fa alakú hálózat, 177 bináris fa hálózat, 38 bitfordító gyűrű, 219 biton rendezés, 197 biton sorozat, 195 blokkonként kígyószerű sorfolytonos indexelés, 141

C CALGO, 257 Chang-Roberts, 209, 210, 219 Chang-Roberts, 218gyak CRCW, 32, 99, see párhuzamos olvasás – párhuzamos írás CRCW PRAM, 123, 124gyak CREW, 32, see párhuzamos olvasás – kizárólagos írás CREW PRAM, 34, 74, see párhuzamos gép

CS cserélő él, 203 Csernov-egyenlőtlenség, 138, 183, 184 Csernov-egyenlőtlenségek, 51 csillag, 38 csomagirányítás közeli célokokhoz, 164 rácson, 164 tóruszon, 164 csomagirányítási probléma, 127 csúcs élő, 67 csúcs költsége, 66

322 D döntési fa, 58 d-reguláris, 169 de Bruijn hálózat, 41 Det-négyzeten-kiválaszt, 148 Det-rangsorol, 81 diszjunkció, see logikai összeadás

E E-csúcs, 67 Egészet-kiválaszt, 99 egy célcsomagos feladat, 132 egy kezdőcsomagos feladat, 131 egyszerű algoritmus, 89 elem rangja, 79 előbb érkezett csomag először, 128 élő csúcs, 67 élő kulcs, 103 ellenfél, elsőbbségi szabály, 128 ELTE IK jegyzetpályázata, 3 ELTE Informatikai kar, 3 él torlódása, 173 ERCW, 32, see kizárólagos olvasás – párhuzamos írás ERCW PRAM, 35 EREW, 32, 128, see kizárólagos olvasás – kizárólagos írás EREW PRAM, 35, 75, 123gyak EREW-prefix, 74, 76 érintő, 160 értesítő üzenet, 208 érvényességi feltétel, 218, 222, 223 Euler-kör, 201 exponenciális futási idő, 20, 21, see szuperpolinomiális futási idő

F fa beágyazása, 177 fa magassága, 166 FDD, 132 FDF, 163 seelegtávolabbra utazó csomag először,

Tárgymutató 128 feladat megfogalmazása, 14 felezési szám, 44 felfúvódás, 173, 175 FFT, 165, see gyors Fourier-transzformált FIFO, 60, 128, 129, 163 seeelőbb érkezett csomag először, 128 FOF, 163 seelegtávolabbi csomag először, 128 futási idő, 128 átlagos, 22 csomagirányítási algoritmusé, 128 exponenciális, 21 gyenge polinomiális, 21 köbös, 21 konstans, 21 legjobb esetben, 21 legrosszabb esetben, 21 lineáris, 21 logaritmikus, 21 majdnem konstans, 21 négyzetes, 21 polilogaritmikus, 21 polinomiális, 21 szublineáris, 21 szublogaritmikus, 21 szubpolinomiális, 21 szuperlineáris, 21 szuperlogaritmikus, 21 szuperpolinomiális, 21 várható, 22

G gombócevési sebesség, 64 gráfalgoritmusok, 157 Gray-kód, 174, 201 Gustafson törvénye, 36 Gyökös-kiválaszt, 98 gyökér processzor, 38 gyenge nagy ordó, 244 gyenge polinomiális futási idő, 21 gyerek processzor, 38 gyűrű, 38, 173 gyűrű hálózat, 220 gyors Fourier-transzformált, 165 gyorsítás, 23, 123 lineáris, 23 szublineáris, 23

Tárgymutató szuperlineáris, 24

H Halmaz-terjed, 223 hálózat bináris fa, 38, 177 csillag, 38 de Bruijn, 41 háromdimenziós rács, 39 henger alakú, 40 hiperkocka, 42, 168 keverő-cserélő, 203 permutációs, 42 pillangó alakú, 41 piramis alakú, 41 tégla alakú, 39 tórusz, 40 hálózat átmérője, 44 hálózatok, 228 Hamilton-kör, 201 Hamming-távolság, 169 Hanoi-tornyai, 47, 70 harmonikus szám, 211 Három-fázisú, 137, 164 háromdimenziós rács, 39 Három-fázisú, 188 háromszögmátrix invertálása, 167 hatékonyság, 24, 123 hatékonysági mérték, 23 abszolút, 20 relatív, 20 henger, 40 hiba, 217 bizánci, 217 megállási, 217 hibavalószínűség, 50 hibrid processzorok, 15 hiperkocka, 42, 168, 191, 196 párhuzamos, 170 soros, 170 hiperkocka fokszáma, 169 hiperkocka i-edik sora, 189 Hirschberg-Sinclair, 219

323 I Idő-szelet, 225 időbonyolultság, 26 Idő-szelet, 212 időzítés, 15 i-edik szintű kapcsolat, 169 IEEE, 270 ILLIAC-IV, 31, 40 inverzió, 58 ISBN, 301, see International Standard Book Number Ismételt-elem, 52 ISSN, 301, see International Standard Serial Number

J j-edik oszlop, 189

K köbös futási idő, 21 körmentes gráf, 124 körmentesség, 166 közös EREW PRAM, 34, see párhuzamos gép közös írás, 33 közelítő megegyezés, 218 közvetlen hozzáférésű gép, 31 közvetlen kapcsolat, 171 k dimenziós rács, 39 k-adrendű Gray-kód, 174 k dimenziós rács, 125 keresés, 96 kereszt kapcsolat, 171 kerresési feladat, 96 késleltetés, 175 Két-fázisú, 135 kétfázisú algoritmus, 135 keverő él, 203 Keveset-kockán, 190 kezdeti feltétel, 47 kezdő processzor, 206 kígyószerű sorfolytonos indexelés, 141 Kiemel, 84

324 kiemelés, 83 kis omega, 19 kis ordó, 19, 244 kiválasztás, 96, 144, 192 hiperkockán, 191, 192 rácson, 144 k-k irányítási feladat, 138 k-megegyezés, 216 kocka, 16, 125, 127, 157, 158 Kocka-lezár, 158 kocka alakú rács, 39 kocka elemei, 158 kommunikációs bonyolultság, 226 kommunikációs hiba, 223 kommunikációs modell, 15 kommunikációs vonal, 39, 125 konvex burok, 160, 164, 200, 233 konvex burok területe, 167 korlátozás és szétválasztás, 66 korlátozó függvény, 67 Kruskal-algoritmus, 116, 124 kulcs rangja, 101, 150 kupac, 67

L lánc, 39, 125, 126 Lánc-prefix, 140 lapozási sebesség, 62 Las Vegas algoritmusok, 49 legnagyobb helyiértékű bitek, 176 legrövidebb út, 160 legrövidebb utak, 200 legtávolabbra utazó csomag először, 128 legtávolabbról jött csomag először, 128 LELANN), 219 levelek átlagos szintje, 59 levél processzor, 38 LIFO, 163 lineáris futási idő, 21 Log-összefésül, 88 logaritmikus futási idő, 21 Logikai-összead, 35 logikai összeadás, 34 (l + 1)-edik szintű kapcsolat, 171

Tárgymutató M Markov-egyenlőtlenség, 51 mátrix invertálása, 167 háromátlósé, 167 háromszögmátrixé, 167 Max, 57 Max-terjed, 220 maximális csúcstávolság, 44 maximális fokszám, 44 maximális gyorsítás, 36 megbízhatóság, 15 megegyezési feltétel, 218, 222 megengedett megoldás, 66 megengedett megoldás csúcs, 66 meghibásodás, 228 megoldási fa, 66 megoldhatatlan feladat, 205 megoldhatatlanság, 205 MIMD, 31 minimális csúcstávolság, 44 minimális feszítőfa, 166 minimális fokszám, 44 minimális költségű csúcs, 66 Minmátrix, 113 minmátrix, 113, 157, 198 MISD, 31 mohó algoritmus, 135 mohó út, 171 Monte Carlo algoritmus, 49 MSB, see legnagyobb helyi értékű bitek munka, 24, 123 munkahatékony algoritmus, 24 munkaoptimális algoritmus, 25 mutatóugrás, 73, 81

N nagy omega, 19 nagy ordó, 19, 244 nagy teta, 19, 245 nagy valószínűség, 50 nagy valószínűséggel nagy ordó, 50 nagy valószínűségű nagy omega, 245 nagy valószínűségű nagy ordó, 244 nagy valószínűségű nagy teta, 245 négyzet, 39, 125, 126 Négyzeten-pp-fésül, 153 Négyzeten-prefix, 141 négyzetes futási idő, 21

Tárgymutató Négyzetes-kiválaszt, 96 nem ismétlődő úthalmaz, 182 Nemzeti Periódika Adatbázis, 310 neurális hálók, 239 normális algoritmus, 172 NPA, 310, see Nemzeti Periódika Adatbázis nulla-egy elv, 89

O Omega, 245 Opt-max-terjed, 220 Opt-halmaz-terjed, 224 Optimálisan-összefésül, 92 Optimális-prefix, 74 összetett rács, 39 oszlopfolytonos indexelés, 141 összefüggő komponensek, 200 összefésülés, 150, 194 pillangó hálózaton, 195 összefésülés, 195 hiperkockán, 195 összefésülés, 87–95 összegzési feladat, 187 összehangolt támadás, 216 összehangolt támadás, 223

P palindróma, 165 páratlan alhálózat, 188 páratlan-páros összefésülés, 151 parciális permutáció, 179 parciális permutációs csomagirányítás, 128 párhuzamos adatfeldolgozás, 14 párhuzamos algoritmus, 18, 244 párhuzamos algoritmus gyorsítása, 243 párhuzamos algoritmus hatékonysága, 243 párhuzamos algoritmus legrosszabb üzenetszáma, 243 párhuzamos algoritmus legrosszabb lépésszáma, 243–245 Párhuzamosan-olvas, 34 Párhuzamosan-ír, 34 Párhuzamosan-olvas, 320

325 párhuzamos gép, 32 párhuzamos hiperkocka, 170 párhuzamos közvetlen hozzáférésű gép, 31 Páros-páratlan-összefésül, 89 páros alhálózat, 188 permutáció inverze, 58 permutációs hálózat, 42 pillangó, 41 Pillangó-biton-rendez, 197 pillangó hálózat, 171, 196 piramis, 40 polilogaritmikus futási idő, 21 polinomiális futási idő, 21 PPR, 130, 135 seeparciális permutációs csomagirányítás, 128 PRAM, 31, 128, 144, 150, 153, see párhuzamos közvetlen hozzáférésű gép prefixek, 74 Prefix-fában, 185 prefixszámítás, 73, 138, 140, 184 bináris fán, 166 hiperkockán, 184 prefixszámítási feladat, 73 Prim-algoritmus, 124 prioritásos írás, 33 probléma mérete, 244 processzor aszinkron, 15 belső, 177 gyökér, 38, 177 gyerek, 38, 177 hibrid, 15 levél, 38, 177 részben aszinkron, 15 szülő, 38 szinkron, 15 szomszádai, 204 processzorok indexelése, 141 processzorszám, 44 processzor szintje, 171 pszeudokód, 229

R rács, 16, 125 összetett, 39 egyszerű, 39 háromdimenziós, 39

326 k-dimenziós, 125 k dimenziós, 39 kocka alakú, 39, 125, 127, 157 lánc alakú, 125 négyzet alakú, 39, 125, 126 tégla alakú, 127 téglalap alakú, 39, 125, 126 RAM, see közvetlen hozzáférésű gép RAN, 128 rekurzív algoritmus, 45 rekurzív egyenlet, 46 rekurzió, 45, 48 rekurziótétel, 48 rendezés, 196 biton sorozaté, 196 csoportokba, 165 hiperkockán, 196 láncon, 165 pillangó hálózaton, 196 ritka, 143 soronként, 165 topologikus, 166 részben szinkronizált processzorok, 15 ritka leszámláló rendezés, 143, 144, 189 Ritka-rendez, 144 ritka rendezés, 138, 143 rossz algoritmus, 50

S síkgráf, 37 síkhálózat, 38 SIMD, 31 SISD, 31 sorfolytonos indexelés, 141 sorindex, 171 sorméret, 184 soros adatfeldolgozás, 14 soros algoritmus, 18, 243 soros algoritmus legrosszabb lépésszáma, 243, 245 soros algoritmus szükséges lépésszáma, 244 soros hiperkocka, 170 specifikáció, 14, see feladat megfogalmazása stabil algoritmus, 57 Steelman Report, 234 súlyozott médián, 147, 148

Tárgymutató SZ szülő processzor, 38 szabad sorozat, 132 számítási modell, 21 szinkronizált processzorok, 15 szublineáris futási idő, 21 szublineáris gyorsítás, 23 szubpolinomiális futási idő, 21 szuffixszámítás, 163 szuperlineáris futási idő, 21 szuperlineáris gyorsítás, 24 szuperlogaritmikus futási idő, 21 szuperpolinomiális futási idő, 21

T tömb feje, 79 tömbrangsorolási feladat, 79 tégla, 39 téglalap, 126 téglalap alakú rács, 39 teljes hálózat, 41 teljes keverő-cserélő hálózat, 203 térgráf, 38 térhálózat, 38 tetszőleges írás, 33 topologikus rendezés, 166 torlódás, 175 tórusz, 40, 164, 175, 225 tranzitív lezárt, 157–159, 199

U üzenetszórás, 138, 139, 184

V vágási szám, 44 valószínűségi feltétel, 220 valószínűségi paraméter, 50

Tárgymutató váltási hely, 26 Változó-sebességek, 225 várakozási sor hossza, 128 véges ábécé, 245 Véletlen, 52 Véletlen-csomag-irányít, 184 Véletlenített-támadás, 223 Véletlenített-támadás, 223 véletlenített algoritmus, 145, 220

327 véletlen választás, 128 Vél-rangsorol, 81 verem tulajdonság, 68 vezető processzor, 205 vezetőválasztás, 204, 220, 225 gyűrűben, 205 négyzeten, 225 tóruszon, 225 vonalhiba, 223


Névmutató

A névmutatóban a szerzők utóneveit csak akkor rövidítjük, ha nem ismerjük a teljes nevet. A Abello, J., 241, 252 Adriaans, P., 252 Aho, A. V., 227, 252 Akl, Selim G., 231, 252 Almasi, G. S., 229, 230, 253 Álmos Attila, 253 Amdahl, G. M., 36, 70, 229, 253 Amestoy, P., 230, 238, 253 Andrásfai Béla, 229, 232, 235, 253 Arató Péter, 238, 253 Argyros, I. K., 242, 254 Artiaga, L., 227, 254 Atallah, M. J., 254 Ausiello, G., 237, 254 Aven, O. I., 237, 254

B Baase, Sarah, 228, 236, 254 Bach Iván, 238, 254 Baeza-Yates, R., 267 Bagyinszki János, 235, 255, 266 Bahill, A. T., 242, 296 Bahvalov, N. N., 242, 255 Bajalinov Erik, 255 Baksa, Klára, 12 Balázs Gábor, 12

Balogh Ádám, 12 Barnes, G. H., 255 Bartal Zoltán, 12 Békéssy András, 240, 256 Bélády László, 62 Belényesi Viktor, 12, 231, 255 Bellman, R. E. (1920–1984), 124 Benczúr András, 265, 298 Bent, D. H., 232, 284 Berge, C., 232, 255 Berke Barnabásné, 256 Berman, K. A., 227, 230, 233, 256 Bernoulli, Jacob (1654–1705), 51, 87 Blázsik Zoltán, 256 Bodlaender, H. L., 234, 256 Bollobás Béla, 230, 232, 256 Boros László, 241, 256 Boxer, L., 228, 284 Brassard, G., 228, 256 Bratley, P., 228, 256 Brauer, W., 292 Brent, R. P., 35 Bronstejn, I. N., 256 Brown, C. A., 230, 289 Brucker, Peter, 239, 257 Burks, W., 285 Busacker, R. G., 232, 257

Névmutató C Carlsson, C., 257 Chandy, K. M., 241, 257 Chang, E., 206, 210 Chang, E. J.-H., 234, 257 Chow, R, 258 Chua, L., 239, 258 Coffman, Ed G., jr., 258 Coffman, Ed G. Jr., 63 Coffman, Ed G. jr., 230, 232, 237, 254, 258 Cole, R., 258 Cormen, Thomas H., 227, 230, 231, 240, 258 Crescenzi, P., 254

CS Csörnyei Zoltán, 12, 238, 259, 260 Cseke Vilmos, 259 Csernov, H., 51, 54, 87, 138, 183, 184, 230, 257 Cserny László, 259 Csirik János, 232, 237, 258, 259, 297 Csizmazia Balázs, 259

D Davis, L., 227, 254 De Berg, M., 255 de Bruijn, N. G., 41 Demetrovics János, 229, 235, 240, 256, 260 Dénes József, 237, 260 Denev, Jordan, 229, 235, 260 Dévai Gergely, 12 Devroye, L., 260 Diestel, R., 232, 260 Dolev, D., 234, 260 Domoszlai László, 12 Donovan, J. J., 238 Dósa György, 271 Dossey, J. A., 235, 261 Dózsa Gábor, 12 Dringó László, 229, 235, 261 Drmota, Michael, 261 Drommerné Takács Viola, 228, 239, 261 Du, D.-Z., 261

329 Dulff, S., 232, 275 Dynes, C., 240, 266

E Ercal, F., 261 Erdős Pál (1913–1996), 230, 236, 261 Erickson, Martin, 261 Ésik, Zoltán, 287 Euler, Leonhard, 201 Eynden, C. V., 235, 261

F Fülöp Zoltán, 238, 265 Füsi János, 240, 265 Fábián Mária, 12 Farin, G. E., 262 Farkas Zsuzsa, 237, 262 Fehérvári Arnold, 227, 283 Feller, W., 230, 262 Ferenczi, Sebastian, 231, 262 Ferenczi Miklós, 236, 262 Fiat, A., 263 Flach, P., 236, 263 Flajolet, P., 230 Flajolet, Philippe, 263, 293 Floudas, C. A., 242, 263 Floyd, R. W., 232, 263 Flynn, M., 31 Flynn, M. J., 230, 263 Ford, L., 124 Fornai Péter, 63, 230, 263 Fortune, S., 263 Fóthi Ákos, 236, 238, 264 Fountain, T., 229, 293 Fourier, J. B. J., 165 Frank András, 242, 264 French, S., 239, 264 Frenk, J. B. G., 232, 259 Freud Róbert, 236, 264 Frey Tamás, 228, 264 Fullér Róbert, 242, 257, 264, 279 Futó Iván, 237, 262, 265

330 G Gács Péter, 227, 228 Gagne, G., 293 Galambos Gábor, 232, 238, 259, 265 Galántai Aurél, 265 Galvin, P., 293 Gambosi, G., 254 Garcia-Molina, H., 265 Garey, M. R., 229, 237, 265 Gavrilov, G. P., 266 Gergó Lajos, 236, 241, 266, 284 Gibbons, A., 228, 231, 266 Girault, C., 239, 266 Gloor, P., 240, 266 Goldberg, D. E., 266 Gonda János, 229, 235, 266, 280 Gonnet, G. H., 227, 267 Gottlieb, A., 229, 230, 253 Graham, Ronald Lewis, 229, 276 Graham, Ronald Lewis L., 230 Gray, Frank, 174, 201 Green, D. H., 267 Greenflaw, R., 228, 267 Gregorics Tibor, 240, 262, 265 Gruska, J., 227, 266, 267 Gustafson, J., 36, 70, 229, 267 Györfi László, 242, 260, 267 György Anna, 235, 255 Gyarmati Edit, 236, 264 Győri Sándor, 253, 267 Gyimóthy Tibor, 240, 265, 267

H Hajdu Tamás, 12 Hamilton, William Rowan, 201 Hamming, Richard Wesley, 169 Harris, T. J., 268 Hatvani László, 268 Haupt, R. L., 268 Haupt, S. E., 268 Havasi Ferenc, 267 Heath, M. T., 231, 268 Hecker, Hans-Dietrich, 231, 268 Hegyessy Tamás, 12 Hemmendinger, David, 227, 290 Hennessy, J. L., 238, 268, 288 Henrici, R., 242, 268 Hermann Péter, 12

Névmutató Hernyák Zoltán, 270 Hirschberg, D. S., 206, 212 Hochbaum, D., 237, 269 Hofri, M., 230, 269 Hoover, J., 228, 267 Hopcroft, John E., 227, 238, 252, 269 Horowitz, Ellis, 229, 233, 269 Horváth Arnold, 236, 284 Horváth Gábor, 253 Horváth László, 228, 238, 269 Horváth Márk, 270 Horváth Zoltán, 11, 264, 270 Hujter Mihály, 265 Hwang, K., 238, 270

I Imreh Balázs, 232, 242, 255, 259, 268, 271 Imreh Csanád, 242, 271 Iványi Anna Barbara, 12, 238, 271 Iványi Antal, 63 Iványi Antal Miklós, 2, 3, 13, 228, 230–232, 236, 237, 239, 263, 270–272, 283, 288, 289, 297 Iványi Antalné, 273 Ivanyos Gábor, 227, 291

J Jájá, Joseph, 228, 231, 273 Jakobi Gyula, 238, 273 Jankovits István, 238, 253 Járai Antal, 229, 231, 235, 273 Jeffres, L. A., 274 Jenei András, 265 Johnson, David S., 229, 232, 237, 259, 265 Johnson, T., 258 Jones, N. D., 274 Jordán Tibor, 274 Juhász, István, 294 Jungnickel, D., 232, 274 Jutasi István, 239, 274

Névmutató K Kacsuk Péter, 229, 238, 274, 293 Kallós Gábor, 236, 284 Kalmár Zsolt, 239, 283 Kapinya Judit, 12 Kása Zoltán, 3, 11, 227, 231, 232, 260, 262, 274 Kátai Imre, 229, 232, 235, 237, 261, 272, 275, 276 Katona Gyula, 281 Katona Y. Gyula, 232, 275 Kaufman, A., 275 Keedwell, A. Donald, 260 Kelemen József, 240, 275 Kemnitz, A., 232, 275 Kernighan, B. W., 275 Kőhegyi János, 238, 279, 280 Kingston, J. H., 275 Kiss Ákos, 267 Kiss Attila, 291 Kiss Béla, 242, 275 Kiss Ottó, 276 Klawe, M., 234, 260 Kleinrock, Leonard, 276 Klein Sándor, 235, 276 Klincsik Mihály, 236, 276 Knuth, Donald Erwin, 227, 229, 267, 276 Kobelkov, G. M., 242 Kogan, Y. A., 237, 254 Kohler, M., 267 Komlósi Sándor, 242, 278 Korach, E., 234, 287 Kormos, János, 294 Korolev, Lev N., 278 Kósa András, 268 Kotov, V. E., 239, 278 Kotsis, Gabrielle, 230, 274 Kovács, Attila, 278 Kovács, Előd, 278 Kovács, Margit, 255 Kovács, Péter, 12 Kovács Gábor Zsolt, 232, 278 Kovács Győző, 238, 279 Kovács Margit, 242, 276, 279 Kovács Zoltán, 238, 273 Kozics Sándor, 279 Kozma László, 241, 279 Kozsik Tamás, 264, 270 Kranzlmüller, D., 230, 238, 274 Krebsz Anna, 242, 275 Kruskal, J. B., 116, 124 Krzysak, A., 267 Kurtán Lajos, 241, 280

331 L Lai, T., 68 Lai, T. H., 230 Láng Csabáné, 229, 235, 280 Langdon, W. B., 280 Langer Tamás, 237, 262 Lavrov, I. A., 281 Lawler, E. L., 227, 281 Lee, C., 231, 258 Lee, I., 240 Lee, L., 266 Lehel, Jenő, 300 Lehmer, D. H., 281 Leighton, T. F., 230, 233, 281 Leiserson, Charles E., 227, 230, 231, 240, 258 Le Lann, Gérard, 234, 281 LeLann, Gerard, 206 Leopold, Claudia, 231, 281 Levitin, A. A., 227, 282 Lőcs Gyula, 282 Lőrincz András, 239, 283 Li, M., 237, 282 Lin, E., 231, 258 Locher Kornél, 12 Lovász László, 227, 228, 236, 237, 282 Lucas, Fransois Edouard Anatol (1842–1891), 282 Lugosi Gábor, 260 Lynch, Nancy Ann, 205, 228–230, 233, 234, 283

M Malyshkin, V., 283 Manherz Tamás, 238, 270 Maple, 236 Marchetti-Spaccamela, A., 254 Marczell Zsolt, 239, 283 Maróti György, 236, 276 Martello, S., 232 Marton László, 227, 283 Mathematica, 236 Matlab, 236 Mattson, Timothy G., 294 Maximova, L. L., 281

332 Mayr, E. W., 230, 283 McCarthy, John, 293 Mehlhorn, K., 283 Metykó Beáta, 12 Miller, R., 228, 284 Misra, J., 241, 257, 284 Mitchell, M., 284 Molnár Ervin, 275 Molnárka Győző, 236, 284 Molnárka-Miletics Edit, 12 Moon, J. W., 284 Morgenstern, O., 284 Motwani, Rajeev, 230, 238, 269

N Nagy Sára, 240, 262, 275 Nagy Tibor, 240, 284 Naikoo, T. A., 289 Narayana, T. V., 232, 284 Nelson, R. A., 62 Németh Cs. Dávid, 231, 255 Németh Zsolt, 230, 238, 274 Neumann János (1903-1957), 31 Neumann János (1903–1957), 228, 284, 285 Nijenhuis, A., 236, 285 Norton, P., 239, 286 Norvig, P., 240, 291

Névmutató P Pachl, J., 234, 287 Pál Jenő, 242, 292 Papadimitriou, Christos H., 227, 237, 287 Pardalos, P. M., 230, 241, 242, 252, 261, 263, 287 Parent, R., 287 Pásztorné Varga Katalin, 236, 287 Pataki Norbert, 232, 278 Patashnik, Oren, 229 Patasnik, Oren, 276 Patterson, D. A., 238, 268, 288 Paul, J. L., 227, 230, 233, 256 Pavlov, Radiszláv, 235 Pavlov, Radiszlav, 229, 260 Pécsy Gábor, 11, 232 Pergel József, 232 Peterson, G. L., 234, 288 Pethő Attila, 12, 236, 288 Pike, R., 275 Pirkó József, 228, 238, 269, 288 Pirzada, Shariefuddin, 288, 289 Poli, R., 280 Pongor György, 238, 289 Porkoláb, Zoltán, 295 Prömel, H. J., 230, 283 Prather, R. E., 235, 289 Prékopa, András, 230, 289 Preparata, F., 108 Preparata, F. P., 232, 289 Prim, R. C., 124 Protasi, M., 254 Purdom, P. W., 230, 289 Pyle, I. C., 289

NY Nyékyné Gaizler Judit, 238, 286 Q Quinn, M. J., 289

O Obádovics J. Gyula, 235, 242, 286 Okuguchi, K., 286 Olariu, S., 261 Ore, O., 232, 287 Otto, A. D., 235, 261 Overmas, M, 255

R Raghavan, P., 230

Névmutató Rajasekaran, Sanguthevar, 230, 231, 233, 269, 287, 289 Ralston, Anthony, 227, 290 Ranade, A., 231, 268 Ranka, S., 233 Rasmussen, Craig E., 294 Recski András, 274, 275, 290 Reilly, E. D., 227, 290 Reischuk, R., 111, 232, 291 Rényi Alfréd (1921–1970), 230, 291 Resende, M. G. C., 241, 242, 252, 287 Rét Anna, 12 Rinnoy Kan, A. H. G., 232, 259 Ritchie, D. M., 275 Rivest, Ronald Lewis, 227, 230–232, 240, 258, 263 Roberts, R., 206, 210, 234, 257 Rodeh, M., 234, 260 Rodríquez-Vázquez, A., 291 Rolland, F., 291 Rónyai Lajos, 227, 236, 262, 291 Roosta, Sayed, 229, 230, 291 Roska Tamás, 239, 258, 291 Rotem, D., 234, 287 Rozenberg, G., 292 Russell, S. J., 240, 291 Ruzzo, J. W., 228, 267 Ruzsa Imre, 236, 291 Rytter, W., 228, 231, 266, 292

S Saaty, T. L., 232, 257 Sack, J.-R., 233, 292 Sahni, Sartaj, 68, 230, 233, 269 Salamon Gábor, 240, 292 Salleh, S., 292 Salomaa, Arto, 237, 292 Samee, U., 289 Sántáné Tóth Edit, 240, 265, 292 Schöning, Uwe, 293 Scharnitzky Viktorné, 12 Schipp Ferenc, 292, 293 Schreiber, R. S., 231, 268 Schreiner, W., 231, 294 Schwarzkopf, O., 255 Sedgewick, Robert, 230, 263, 293 Selim, G. A., 228, 293 Sen, S., 289

333 Shannon, Claude Elwood (19167–2001), 293 Shedler, G. S., 62 Sike Sándor, 241, 298 Siklósi Bence, 232, 293 Silberschatz, A., 293 Sima Dezső, 12, 229, 293 Simonovics Miklós, 277 Simon Péter, 12, 241, 242, 292, 293 Sinclair, J. B., 206, 212 Sipos, Annamária, 294 Sipser, M., 237, 294 Skiena, S. S., 228, 294 Sommerville, I., 241, 294 Sottile, Matthew J., 294 Spence, L. E., 235, 261 Spencer, J., 230, 261, 294 Stanley, R. P., 294 Steiger, A., 230, 283 Steiglitz, K., 287 Stein, Clifford, 227, 230, 231, 259 Steingart Ferenc, 238 Stirling, J., 69 Stockman, M., 239, 286 Stoyan Gisbert, 241, 295 Stroustrup, B., 295 Sussman, J., 231

SZ Szabó Csaba, 232, 275 Szabó Réka, 227, 291 Szadovszkij, A. L., 232, 292 Szadovszkij, L. E., 232, 292 Szalai Róbert, 12 Szántai Tamás, 242, 295 Szapozsenko, A. A., 266 Száva Géza, 293 Szeberényi Imre, 241, 296 Szelezsán János, 228, 264 Szemengyajev, I. N., 256 Szepesváry Csaba, 239, 283 Szeredi Péter, 237, 262 Szeszlér Dávid, 274 Szűcs László, 11, 232 Szidarovszky Ferenc, 242, 254, 286, 296 Szili László, 12, 236, 296 Szirmay-Kalos László, 240, 296 Szlávi Péter, 238, 296 Szmeljánszkij, Ruszlán, 230, 236, 239, 273

334 T Takó, Galina, 295 Tanenbaum, Andrew S., 233, 238, 239, 297 Tatai Gábor, 240, 265 Tejfel Máté, 270 Tel, Gerard, 205, 229, 233, 234, 297 Tóth János, 236, 296 Tóth Zoltán, 273 Trahtenbrot, B. A., 227 Turcsányiné Szabó Márta, 297

U Ulbert Attila, 270 Ullman, Jeffrey D., 227, 252, 265, 269, 298 Urbán, János, 281 Urrutia, J., 233, 292

Névmutató W Wade, W. R., 242, 292 Wagner, Klaus, 299 Walk, H., 267 Wechsung, Gerd, 299 Weiss, M. A., 299 Weisz Ferenc, 242, 299 Wettl Ferenc, 236, 284 Widom, Jennifer, 265, 298 Wilf, Herbert S., 228, 230, 236, 285, 299 Willie, J., 263 Winkler, F., 236, 300 Winkler, Jürgen, 231, 240, 300 Winkler, Zoltán, 278 Wirth, N., 227 Woeginger, G. J., 232, 237, 258, 259, 263 Woodhull, Albert S., 238, 297

Y Yakowitz, S., 242, 296

V Vajda István, 267 Valiant, L., 290 Valiente, G., 227, 228, 298 Valk, Rüdiger, 239, 266 Van Gelder, A., 228 Van Kreveld, M., 255 Van Steen, M., 233 Varga László, 238, 240, 241, 279, 298 Várkonyiné Kóczy Annamária, 253 Várterész Magdolna, 236, 287 Vasziljev, F. P., 279 Vazirani, V. V., 237, 298 Venczel Tibor, 270 Vida János, 240, 298 Vigassy József, 282 Vigo, D., 232 Vilenkin, N., 236 Visegrády Tamás, 238, 253 Vishkin, U., 258 Vitanyi, P., 237, 282 Vizvári Béla, 239, 242, 298 Vogel, Jörg, 299 Volkert, J., 230, 238, 274

Z Zajki, László, 289 Zantinge, D., 252 Zomaya, A., 231 Zomaya, A. Y., 261, 292, 300 Zou, Guofei, 288

ZS Zsakó László, 238, 296 Zsidkov, E. P., 242, 255


Megoldások

1.8-1. megoldása. Az A algoritmus munkája Θ(n), a B algoritmusé Θ(n lg n). Mivel a kiválasztási feladatot megoldó leggyorsabb soros algoritmus futási ideje O(n), így az A algoritmusnak a leggyorsabb soros √ algoritmusra vonatkozó gyorsítása n, a B algoritmusé pedig Θ(n/ lg n). Az A algoritmus hatékonysága Θ(1), a B algoritmusé Θ(1/ lg n). Eszerint az A algoritmus munkahatékony, a B algoritmus viszont nem az. 1.8-2. megoldása. Az első állításban a legalább szó és az O-jelölés egymás mellett értelmetlen. A második állítás hibás: a B algoritmus futási idejének alacsonyabb felső korlátjából nem következik, hogy gyorsabb: előfordulhat például, hogy az A algoritmus futási ideje lineáris, míg a B algoritmus esetén a felső korlát a pontos nagyságrendet adja meg.

Iványi Antal PÁRHUZAMOS ALGORITMUSOK

Recommend Documents